When Fusion Helps and When It Breaks: View-Aligned Robustness in Same-Source Financial Imaging
创建于 更新于
摘要
本文研究在同源双视图（OHLCV 图与技术指标矩阵）下的次日涨跌预测与对抗鲁棒性，提出泄漏抵抗的时间块划分与基于最小变动阈值的 ex-post 标签稳定化（min_move）来刻画不同标签噪声区间，发现：适度的 min_move 可揭示可学习信号但过严会因样本量收缩而增大方差，fusion 的效果对噪声区间高度依赖——early fusion 在噪声高时会负迁移而 late fusion 在稳定区间提供主要的净性能与鲁棒收益；在像素级 l_infty 攻击下模型对视图敏感性强（indicator 视图尤脆弱），late fusion 在单视图受扰情况下能显著缓解但对联合攻击仍无力完全防御 [page::1][page::12][page::15]
