🤖 machine learning

Fortifying Time Series: DTW-Certified Robust Anomaly Detection

यह शोध पत्र डायनेमिक टाइम वार्पिंग (DTW) मीट्रिक के लिए रैंडमाइज्ड स्मूथिंग को अनुकूलित करके टाइम-सीरीज विसंगति पहचान (anomaly detection) के लिए पहली प्रमाणित सुदृढ़ रक्षा (certified robust defense) प्रस्तुत करता है, जिससे पारंपरिक $\ell_p$ -नॉर्म बाधाओं की सीमाओं को दूर किया जा सके और टेम्पोरल एडवरसैरियल हमलों के विरुद्ध लचीलेपन में महत्वपूर्ण सुधार किया जा सके।

मूल लेखक: Shijie Liu, Tansu Alpcan, Christopher Leckie, Sarah Erfani

प्रकाशित 2026-05-11

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shijie Liu, Tansu Alpcan, Christopher Leckie, Sarah Erfani

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य चित्र: टाइम मशीन की सुरक्षा करना

कल्पना कीजिए कि आपके पास एक सुरक्षा गार्ड (Anomaly Detector) है जिसका काम किसी मशीन के दिल की धड़कन के वीडियो फीड पर नज़र रखना है। गार्ड का काम यह पहचानना है कि कब धड़कन "लय से बाहर" (एक विसंगति या anomaly) हो जाती है ताकि वे आपदा आने से पहले उसे रोक सकें। यह अस्पतालों के लाइफ-सपोर्ट सिस्टम को चालू रखने या बैंक की चोरी रोकने जैसी चीज़ों के लिए बहुत महत्वपूर्ण है।

हालाँकि, यहाँ एक चालाक चोर (Adversary) है जो गार्ड को धोखा देना चाहता है। चोर मशीन को तोड़ता नहीं है; इसके बजाय, वह धड़कन के वीडियो में बहुत सूक्ष्म, लगभग अदृश्य बदलाव करता है। वह इसे थोड़ा तेज़ कर सकता है, धीमा कर सकता है, या समय को थोड़ा खिसका सकता है। एक इंसान के लिए, यह वही धड़कन दिखती है, लेकिन एक मानक कंप्यूटर गार्ड के लिए, ये छोटे बदलाव एक बड़े, अराजक मलबे की तरह लगते हैं, जिससे गार्ड खतरे को पहचानने में चूक जाता है या गलत अलार्म बजा देता है।

समस्या: गलत पैमाना (The Wrong Ruler)

वर्षों तक, विशेषज्ञों ने इन गार्डों को $\ell_p$ -norm नामक एक मानक पैमाने (रूलर) का उपयोग करके सुरक्षित करने की कोशिश की।

उपमा: कल्पना कीजिए कि आप एक ट्रैक पर दो धावकों के बीच की दूरी मापने की कोशिश कर रहे हैं। मानक पैमाना हर एक सेकंड में उनके पैरों के बीच की सीधी रेखा की दूरी मापता है।
खामी: यदि धावक A थोड़ा तेज़ हो जाता है और धावक B थोड़ा धीमा हो जाता है, तो वे अभी भी एक ही दौड़ दौड़ रहे हैं, लेकिन मानक पैमाना कहता है कि वे मीलों दूर हैं क्योंकि उनके पैर ठीक उसी समय जमीन पर नहीं पड़ रहे हैं।
परिणाम: यह पेपर तर्क देता है कि टाइम-सीरीज़ डेटा (जैसे धड़कन या शेयर बाज़ार की कीमतें) के लिए यह "मानक पैमाना" बहुत खराब है क्योंकि यह नहीं समझ पाता कि समय खिंच सकता है या सिकुड़ सकता है। यह समय के सरल बदलावों से भ्रमित हो जाता है, जिससे गार्ड को लगता है कि डेटा पूरी तरह से अलग है जबकि वास्तव में वह वही होता है।

समाधान: "रबर बैंड" वाला पैमाना

लेखक समानता मापने का एक नया तरीका पेश करते हैं जिसे Dynamic Time Warping (DTW) कहा जाता है।

उपमा: कल्पना कीजिए कि दोनों धावक एक रबर बैंड से जुड़े हुए हैं। यदि एक धावक तेज़ होता है, तो रबर बैंड खिंच जाता है। यदि दूसरा धीमा होता है, तो यह सिकुड़ जाता है। रबर बैंड गार्ड को समय को "वारप" (मोड़ने/बदलने) की अनुमति देता है, जिससे धावकों को पूरी तरह से संरेखित (align) किया जा सके ताकि गति के बदलाव के बावजूद उनकी निष्पक्ष तुलना की जा सके।
नवाचार: हालांकि DTW समानता मापने के लिए बेहतरीन है, लेकिन किसी ने भी यह पता नहीं लगाया था कि कैसे यह प्रमाणित (certify) किया जाए कि एक सुरक्षा गार्ड इस "रबर बैंड" पैमाने वाले चोर के खिलाफ सुरक्षित है। पिछले बचाव केवल कठोर, सीधी रेखा वाले पैमाने के साथ काम करते थे।

बड़ी उपलब्धि: "धुंधली खिड़की" वाला बचाव (The "Foggy Window" Defense)

यह पेपर पहला प्रमाणित बचाव (certified defense) प्रस्तुत करता है जो इस लचीले "रबर बैंड" (DTW) पैमाने के साथ काम करता है। वे इसे Randomized Smoothing तकनीक के माध्यम से करते हैं, जिसे लेखक एक धुंधली खिड़की के रूप में वर्णित करते हैं।

यहाँ उनका "धुंधली खिड़की" वाला बचाव कैसे काम करता है:

धुंध जोड़ना (Adding Fog): गार्ड के देखने से पहले, सिस्टम धड़कन के वीडियो में थोड़ी सी "धुंध" (रैंडम शोर/noise) जोड़ देता है। यह कैमरा को थोड़ा हिलाने जैसा है।
आम सहमति की जाँच (The Consensus Check): सिस्टम गार्ड से उस धुंधले वीडियो को 1,000 बार देखने के लिए कहता है, जिसमें हर बार थोड़ी अलग धुंध होती है।
फैसला (The Verdict): यदि गार्ड उन 1,000 धुंधले दृश्यों में से 99% में कहता है कि "यह एक विसंगति है", तो सिस्टम प्रमाणित रूप से कह सकता है कि "यह एक विसंगति है।"
जादुई गणित: लेखकों ने एक गणितीय ट्रिक (जिसे Keogh Lower Bound कहा जाता है) का उपयोग करके यह पता लगाया कि कैसे "धुंधली" सुरक्षा गारंटी को "रबर बैंड" (DTW) की दुनिया में अनुवादित किया जाए।

यह क्यों मायने रखता है:
यह गणित साबित करता है कि भले ही एक चोर समय के डेटा को खींचने, सिकोड़ने या खिसकाने की कोशिश करे (एक निश्चित सीमा के भीतर), धुंधली खिड़की इतनी घनी है कि चोर गार्ड को धोखा नहीं दे सकता। गार्ड अभी भी वही चीज़ देखेगा, चाहे चोर समय को कैसे भी बदलने की कोशिश करे।

परिणाम: एक मजबूत ढाल

लेखकों ने वास्तविक दुनिया के डेटा (जैसे उपग्रह मिट्टी की नमी, सर्वर मशीन लॉग और क्रेडिट कार्ड लेनदेन) पर इसका परीक्षण किया और पुराने "मानक पैमाने" वाले बचावों के साथ इसकी तुलना की।

पुराना तरीका: जब चोरों ने "टाइम-वारपिंग" हमलों का उपयोग किया, तो पुराने बचाव बुरी तरह विफल रहे। गार्ड को आसानी से बेवकूफ बनाया गया।
नया तरीका: इस नए DTW-प्रमाणित बचाव के साथ, गार्ड मजबूत बना रहा। कुछ परीक्षणों में, नए तरीके ने पुराने तरीकों की तुलना में गार्ड की चोर को पकड़ने की क्षमता में लगभग 19% तक सुधार किया।

सारांश

इस पेपर को टाइम-सीरीज़ सुरक्षा गार्डों के लिए एक नए प्रकार के बुलेटप्रूफ जैकेट के आविष्कार के रूप में समझें।

पुराने जैकेट: केवल सीधी रेखा वाले प्रहारों से सुरक्षा करते थे। यदि हमलावर मुड़ता या घूमता था, तो जैकेट विफल हो जाता था।
नए जैकेट: विशेष रूप से "मुड़ने और घूमने" वाले हमलों (समय के बदलाव) से बचाने के लिए डिज़ाइन किए गए हैं। यह सुनिश्चित करने के लिए कि हमलावर समय को कैसे भी बदले, एक "धुंधली खिड़की" का उपयोग करता है कि गार्ड विश्वसनीय और सुरक्षित रहे।

यह एक सैद्धांतिक सफलता है जो एक गणितीय गारंटी (एक "प्रमाणपत्र") प्रदान करती है कि सिस्टम सुरक्षित है, जो उन उच्च-जोखिम वाले कार्यों के लिए आवश्यक है जहाँ केवल तेज़ होने से ज़्यादा सुरक्षा महत्वपूर्ण है।

तकनीकी सारांश: टाइम सीरीज़ को सुदृढ़ बनाना: DTW-प्रमाणित सुदृढ़ विसंगति पहचान (DTW-Certified Robust Anomaly Detection)

समस्या विवरण
उच्च-दांव वाले डोमेन जैसे कि स्वास्थ्य सेवा, वित्त और मोबाइल नेटवर्क में सुरक्षा के लिए टाइम-सीरीज विसंगति पहचान (anomaly detection) अत्यंत महत्वपूर्ण है। हालांकि, ये प्रणालियाँ प्रतिकूल हमलों (adversarial attacks) के प्रति संवेदनशील हैं जहाँ रणनीतिक रूप से तैयार किए गए सूक्ष्म परिवर्तन (perturbations) पहचान से बचने के लिए उपयोग किए जाते हैं। मौजूदा रक्षा तंत्र मुख्य रूप से $\ell_p$ -नॉर्म बाधाओं पर निर्भर करते हैं ताकि सुदृढ़ता को प्रमाणित किया जा सके। लेखक तर्क देते हैं कि $\ell_p$ -नॉर्म्स टाइम-सीरीज़ डेटा के लिए मौलिक रूप से असंगत हैं क्योंकि वे अंतर्निहित टेम्पोरल संरचनाओं (temporal structures) को पकड़ने में विफल रहते हैं। छोटे टेम्पोरल विरूपण, जैसे कि शिफ्ट या रीस्केलिंग, डेटा की अंतर्निहित अर्थपूर्णता (semantics) को बदले बिना $\ell_p$ -नॉर्म दूरियों को नाटकीय रूप रूप से बढ़ा सकते हैं। फलस्वरूप, $\ell_p$ -नॉर्म्स के तहत प्रमाणित रक्षाएं उन हमलों के खिलाफ अपर्याप्त सुरक्षा प्रदान करती हैं जो टेम्पोरल मिसअलाइनमेंट (temporal misalignments) का लाभ उठाते हैं। जबकि डायनेमिक टाइम वार्पिंग (DTW) टेम्पोरल अलाइनमेंट को संभालने की क्षमता के कारण टाइम सीरीज़ के लिए मानक समानता मीट्रिक है, वर्तमान में इस मीट्रिक के लिए कोई प्रमाणित सुदृढ़ता परिणाम मौजूद नहीं हैं।

कार्यप्रणाली (Methodology)
यह शोध पत्र परेंडाइज्ड स्मूथिंग (randomized smoothing) प्रतिमान को अनुकूलित करके DTW-प्रमाणित सुदृढ़ता के लिए पहला ढांचा प्रस्तावित करता है। मुख्य दृष्टिकोण $\ell_p$ -नॉर्म गारंटी और DTW दूरी के बीच के अंतर को एक लोअर-बाउंड ट्रांसफॉर्मेशन के माध्यम से पाटता है।

पर्सेंटाइल स्मूथिंग (Percentile Smoothing): मानक रैंडमाइज्ड स्मूथिंग, जो गाऊसी शोर (Gaussian noise) का औसत निकालती है (जो अक्सर अनबाउंडेड एनोमली स्कोर्स के लिए ढीले बाउंड्स की ओर ले जाती है), के बजाय लेखक पर्सेंटाइल स्मूथिंग का उपयोग करते हैं। वे एक स्मूथड एनोमली स्कोर फंक्शन $h_p(x)$ का निर्माण करते हैं जो गाऊसी शोर के तहत बेस फंक्शन के आउटपुट्स के $p$ -वें पर्सेंटाइल को बांधता है। यह दृष्टिकोण आउटलेर्स और आउटपुट वितरण के वेरिएंस के प्रति अधिक सुदृढ़ है।
लोअर-बाउंड ट्रांसफॉर्मेशन (Lower-Bound Transformation): $\ell_p$ -नॉर्म प्रमाणों को DTW प्रमाणों में अनुवादित करने के लिए, लेखक कीओघ लोअर बाउंड ( $LB_{Keogh}$ ) का लाभ उठाते हैं। यह बाउंड एक रैपिंग विंडो के भीतर मूल अनुक्रम के "एनवेलप्स" (ऊपरी और निचले बाउंड) और एक विचलित अनुक्रम के बीच की दूरी की गणना करके DTW दूरी का कुशलतापूर्वक अनुमान लगाता है।
सैद्धांतिक व्युत्पत्ती (Theoretical Derivation): लेखक DTW-प्रमाणित त्रिज्या ( $e$ $e$ ) के लिए एक क्लोज्ड-फॉर्म अभिव्यक्ति व्युत्पन्न करते हैं। तर्क इस प्रकार है:
- $\ell_2$ -नॉर्म स्पेस में एक प्रमाणित त्रिज्या $r$ स्थापित करें जहाँ स्मूथड मॉडल का निर्णय अपरिवर्तित रहता है।
- लेम्मा 3.2 का उपयोग करके यह दिखाने के लिए कि यदि एक बिंदु इनपुट के DTW दूरी $e$ के भीतर स्थित है, तो वह $\ell_2$ -बॉल के भीतर भी होगा, बशर्ते $e$ को $\ell_2$ -बॉल के बाहर की कीओघ लोअर बाउंड के इन्फिमम (infimum) के रूप में परिभाषित किया गया हो।
- थ्योरम 3.3 शोर स्तर $\sigma$ , पर्सेंटाइल थ्रेशोल्ड और कीओघ एनवेलप्स के संरचनात्मक गुणों (विशेष रूप से स्लैक $\Delta_i$ और स्लैक का योग $R$ ) के आधार पर $e$ के लिए स्पष्ट सूत्र प्रदान करता है।
मॉडल अगनोस्टिक (Model Agnosticism): यह ढांचा मॉडल-अग्नोस्टिक है। इसके लिए पुन: प्रशिक्षण (retraining) की आवश्यकता नहीं है; इसे स्मूथिंग और सर्टिफिकेशन लेयर्स के साथ किसी भी पूर्व-प्रशिक्षित विसंगति डिटेक्टर पर लागू किया जा सकता है।

प्रमुख योगदान

प्रथम DTW-प्रमाणित रक्षा: यह पेपर टाइम-सीरीज़ विसंगति पहचान के लिए विशेष रूप से DTW दूरी के लिए प्रमाणित सुदृढ़ता गारंटी प्रदान करने वाला पहला सैद्धांतिक ढांचा पेश करता है।
सामान्यीकरण योग्य तंत्र: प्रस्तावित रक्षा बिना प्रशिक्षण प्रक्रिया को संशोधित किए मौजूदा विसंगति पहचान मॉडलों (जैसे COUTA, TimesNet, DeepSVDDTS) के साथ सहजता से एकीकृत होती है।
सैद्धांतिक सेतु: यह कार्य कीओघ लोअर बाउंड के माध्यम से $\ell_p$ -नॉर्म प्रमाणों और DTW सुदृढ़ता के बीच एक औपचारिक संबंध स्थापित करता है, और प्रमाणित त्रिज्या के लिए एक क्लोज्ड-फॉर्म अभिव्यक्ति व्युत्पन्न करता है।

प्रायोगिक परिणाम
लेखकों ने सात बेंचमार्क डेटासेट्स (SMAP, MSL, SMD, और NIPS-TS सूट्स सहित) और तीन अत्याधुनिक डिटेक्शन आर्किटेक्चर पर अपने तरीके का मूल्यांकन किया।

हमले के तहत सुदृढ़ता: एक मजबूत DTW-आधारित प्रतिकूल हमले (एनालिटिकल बजट $e_{att} = 1.0$ के साथ) के तहत, DTW-प्रमाणित रक्षा ने पारंपरिक $\ell_p$ -नॉर्म प्रमाणित रक्षाओं और बिना बचाव वाले मॉडलों दोनों को काफी पीछे छोड़ दिया।
प्रदर्शन लाभ: इस पद्धति ने हमले के दौरान विशिष्ट डेटासेट्स (जैसे UCR-1) पर $\ell_p$ -नॉर्म प्रमाणित मॉडलों की तुलना में F1-स्कोर में 18.7% तक सुधार हासिल किया।
प्रमाणित अनुपात: ढांचे ने परीक्षण इनपुट्स के उच्च अनुपात को गैर-शून्य सुदृढ़ता त्रिज्या (non-zero robustness radii) के साथ सफलतापूर्वक प्रमाणित किया (जैसे NIPS-TS-WATER डेटासेट पर 99.46% तक)।
ट्रेड-ऑफ (Trade-offs): प्रयोगों ने स्मूथिंग शोर स्तर ( $\sigma$ ) और डिटेक्शन प्रदर्शन के बीच एक ट्रेड-ऑफ को उजागर किया। मध्यम $\sigma$ मानों ने अक्सर सामान्यीकरण (generalization) में सुधार किया, जबकि अत्यधिक बड़े $\sigma$ मानों ने F1-स्कोर और ROC AUC को कम कर दिया, हालांकि उन्होंने प्रमाणित त्रिज्या को बढ़ा दिया।

महत्व और दावे
पेपर का दावा है कि टाइम-सीरीज़ विसंगति पहचान में प्रभावी रक्षा के लिए $\ell_p$ -नॉर्म के बजाय DTW के साथ संरेखित सुदृढ़ता गारंटी आवश्यक है। लेखक दावा करते हैं कि उनका तरीका टेम्पोरल विरूपणों से जुड़े सबसे खराब मामलों वाले प्रतिकूल परिदृश्यों के विरुद्ध औपचारिक, प्रमाण योग्य गारंटी प्रदान करता है, जो सुरक्षा-महत्वपूर्ण अनुप्रयोगों में एक महत्वपूर्ण अंतराल को संबोधित करता है। यह प्रदर्शित करते हुए कि DTW-प्रमाणित रक्षाएं मौजूदा $\ell_p$ -आधारित विधियों की तुलना में टेम्पोरल हमलों के प्रति बेहतर लचीलापन प्रदान करती हैं, यह कार्य टाइम-सीरीज़ निगरानी प्रणालियों के लिए परिचालन विश्वसनीयता का एक नया मानक स्थापित करता है। लेखक नोट करते हैं कि हालांकि मोंटे कार्लो सैंपलिंग (Monte Carlo sampling) परीक्षण समय पर ओवरहेड उत्पन्न करती है, लेकिन यह दृष्टिकोण उच्च-दांव वाले वातावरण में सुदृढ़ता को मापने और सुधारने का एक सिद्धांत आधारित तरीका प्रदान करता है।