权重空间分类器中的对抗攻击

基于摘要分析。本文研究直接在 Implicit Neural Representations（INRs，隐式神经表示）参数空间中执行分类的模型是否容易受到对抗攻击，并提出一组针对参数空间分类器的攻击方法，以考察其鲁棒性及攻击的实际可行性。作者报告，这类分类模型无需鲁棒训练即可表现出内在的对抗鲁棒性；该结论的攻击范围与评估前提尚需全文核对。 INR 以神经网络参数紧凑、连续地表示原始数据。本文的研究对象是以这些表示网络的参数为输入的分类器，而非通常直接处理原始数据的分类器。摘要将直接在参数空间执行下游任务的潜在计算收益作为背景，但没有提供本文对应的资源测量结果。其主要贡献在于构建面向这一输入空间的对抗攻击集合，并分析实际攻击中的相关考量；具体攻击算法、扰动约束及其如何影响 INR 所表示的数据，摘要未予展开。 目前无法核对数据集、INR 构建方式、分类任务、数据划分、攻击者能力、对照基线或鲁棒性指标，因此不能据此判断该结论能否覆盖不同攻击预算和模型设置。实验协议、消融及统计信息尚未验证。 材料未涉及 EEG 或 BCI，也未给出与神经信号任务的具体机制对应关系，不能将其结论直接解释为 EEG 分类的安全性证据；已有 EEG 相关工作尚未检索确认。