MakeupAttack：通过妆容迁移对人脸识别实施特征空间黑盒后门攻击

基于摘要分析。本文研究人脸识别模型训练过程中的后门攻击，提出通过妆容迁移构造特征空间触发器的 MakeupAttack，目标是在黑盒模型查询条件下实现自然、隐蔽且具有攻击效果的后门植入。 核心机制包括迭代训练与触发器自适应选择：前者用于学习妆容风格触发器的细微特征，后者增加触发器多样性、分散恶意样本的特征分布，以规避已有防御。与需要完整访问目标模型的特征空间攻击相比，作者称该方法仅需模型查询；但查询返回内容、查询预算、训练数据污染权限及后门植入流程尚未验证。 作者报告，在两个常用人脸数据集、针对多个模型的实验中，MakeupAttack 能绕过所测试的先进防御，同时保持攻击有效性、鲁棒性、自然性与隐蔽性，并不损害模型性能。摘要未提供数据集名称、数据划分、模型与防御清单、具体指标及数值，因此不能判断各项结论的适用范围，也不能据此进行定量比较。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但实现内容与复现条件尚未核验。 该研究的直接对象是人脸识别安全，而非 EEG 或 BCI。妆容迁移依赖人脸图像的视觉结构，现有材料未给出其与神经信号的具体机制对应，因此不将其表述为已验证的 BCI 攻击方法，也不据此提出迁移实验；相关 EEG 工作尚未检索确认。