用于 EEG 生物特征识别的可撤销深度学习框架

基于摘要分析。本文研究 EEG 生物特征身份验证中基于深度学习模型的方法如何应对模型反演攻击，并提出可撤销深度学习框架，使受损的身份验证模型能够被撤销和替换。其主要研究对象是 EEG 身份验证及模型安全，而非运动想象等 BCI 任务解码。 传统模板式方法将待验证 EEG 与已登记用户的参考模板比较；模型式方法则利用存储的用户验证模型进行判断。作者报告，攻击者可依据验证模型的输出与参数生成合成数据，从而获得未授权访问，表明模型反演攻击会威胁此类系统。具体攻击权限、合成数据构造流程及攻击成功率尚未验证。 所提框架利用 generative adversarial network（GAN）近似一种不可逆变换，通过改变变换参数产生不同的数据分布。用户验证模型使用生成器输出进行训练，随后丢弃有关变换的信息。作者提出，这种机制可撤销受损模型，并用于防御 hill climbing attacks 与 model inversion attacks。摘要未说明变换参数的保管方式、撤销后的重新登记流程，以及训练和推理阶段如何衔接，这些均需查阅全文核对。 作者报告，在其评估条件下，该方法兼具可撤销性，且身份验证性能优于模板式方法及其所比较的先进不可撤销深度学习方法。摘要未提供数据集、被试数、被试内或跨会话划分、指标数值及具体基线，因此无法判断性能优势的幅度、跨会话稳定性或安全性与验证性能之间的权衡。实验协议、消融及统计信息尚未验证；复现还需核对 EEG 预处理、GAN 与验证模型的训练设置、攻击预算及撤销前后的评估流程。上述结论不能直接视为其他 EEG/BCI 任务上的有效性证据。