基于潜在表示动态原型的对抗样本检测

基于摘要分析。本文研究 DNNs 的对抗样本检测，提出 Latent Representation Dynamic Prototype，从可学习的高斯分布中采样潜在表示，以降低检测对最近邻潜在表示的依赖，并结合参考样本采样与 cross-attention 区分正常样本和对抗样本。 机制上，方法用 Random Homogeneous Sampling（RHS）替代 KNN 参考样本采样；作者报告该替换使相关推理时间复杂度降至 O(1)，但摘要不足以判断这一复杂度是否覆盖完整检测流程。对抗判别器通过 cross-attention 全局比较待检测样本与参考样本的潜在表示，以捕捉正常与对抗样本的表示变化差异。高斯分布的参数化、训练目标及参考样本构建方式尚未验证。 作者报告，在 CIFAR-10 和 SVHN 的 gray-box 设置下，面对两类 L_p 范数约束下的多种攻击，该方法具有竞争力；使用 PGD 攻击训练的检测器，也能检测其他攻击生成的小扰动、未见对抗样本。摘要未提供具体检测指标、数值、范数类型及扰动预算，因而尚不能量化优势或确定泛化边界。实验协议、消融及统计信息尚未验证，尤其需核对攻击者知识、攻击是否针对检测器，以及跨攻击测试的具体条件。 平台推测（待验证）：其“分布化潜在参考表示＋参考样本比较”机制可作为 EEG 解码器对抗检测的候选思路，但依赖可用的潜在表示、参考样本及攻击训练数据，图像结果不等于 BCI 有效性。迁移时需适配 EEG 编码器与信号扰动约束；低信噪比、跨被试差异、通道变化和小数据可能使正常分布偏移被误判为攻击。可先固定 EEG 编码器及数据划分，在相同攻击预算下比较 KNN 参考方案与动态原型方案的检测表现、正常样本误报和耗时，并单独测试未见攻击。相关 EEG 工作尚未检索确认。