通过特征空间微调增强定向迁移性

基于摘要分析。本文研究定向对抗样本向未知模型迁移困难的问题，提出在基线攻击生成的对抗样本上进行特征空间微调，以缓解简单迭代攻击的过拟合，并提高其诱导未知模型输出指定目标类别的能力。 核心机制是在源模型的某个中间层，增强有利于目标类别的特征，同时抑制有利于原始类别的特征。该方法作为既有攻击后的附加优化步骤，而非重新训练一个攻击模型。摘要未给出特征选择方式、损失函数、层位置或扰动约束，具体实现尚未验证。 作者报告，在其所述实验中，仅需少量微调迭代即可提升已有攻击的定向迁移性；作者还报告，简单迭代攻击经该思路增强后，可达到与依赖额外数据训练目标类别专用分类器或生成器的高资源方法相当、甚至更好的迁移效果。摘要未提供数据集、源模型与目标模型组合、成功率数值及成本口径，因此不能据此量化增益或判断适用范围。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码内容与复现条件尚未核验。 平台推测（待验证）：这一机制可作为 EEG 分类器跨模型定向对抗鲁棒性的评估假设，而非提升 BCI 解码性能的证据。可复用的是“基线攻击后再优化中间层特征”的流程；需针对 EEG 调整扰动约束和特征层选择。低信噪比、通道差异及跨被试表征变化可能削弱迁移性。一个可证伪的小实验是在固定 EEG 数据划分、扰动预算和总迭代预算下，对比原始攻击与特征微调攻击在未参与优化的分类器上的定向攻击成功率，并另行检验跨被试条件。相关 EEG 工作尚未检索确认。