不使用任何对抗样本的鲁棒少样本学习

基于摘要分析。本文研究图像少样本分类中的对抗鲁棒性，提出不依赖对抗样本训练的方法，以避免逐训练 episode 生成对抗样本带来的计算开销；其主要研究对象并非 EEG 或 BCI。 核心机制是在预训练阶段，通过自蒸馏约束基类原始数据与对应低频样本的高层特征匹配；随后在新类样本上微调，并利用余弦相似度增强低频 query set 特征的可判别性。该流程依赖基类与新类的少样本任务结构，以及可构造的低频输入；摘要未披露低频变换、损失形式或 query set 的具体使用方式。 作者报告，在 CIFAR-FS 的 one-shot 设置下，相对基线，PGD 和 AutoAttack 下的对抗 Accuracy 分别提升 60.55% 和 62.05%，同时干净数据 Accuracy 小幅下降。摘要未明确这些百分比表示相对增幅还是百分点差值，也未给出基线名称及绝对 Accuracy，不能自行换算。作者还报告，训练耗时为标准训练的 1.69 倍，相较其比较的先进对抗元学习方法约快 5 倍；具体硬件与计时范围尚未验证。摘要提供了代码地址，但实现与可复现性尚未核验。攻击范数、扰动预算、数据划分、消融及统计信息均尚未验证。 平台推测（待验证）：可迁移的假设是，通过原始信号与频率受限信号的特征一致性约束，缓解小样本 EEG 分类对扰动的敏感性。可复用自蒸馏框架，但需按任务频段重新设计变换，不能直接沿用图像低频假设；滤波可能删除判别信息，低信噪比、跨被试频谱差异及通道变化也可能使一致性约束失效。一个可证伪的小实验是在固定被试内少样本划分、相同骨干和训练预算下，对比普通微调与加入频率一致性约束的方法，同时报告干净 Accuracy 和明确扰动预算下的对抗 Accuracy。已有 EEG 相关工作尚未检索确认。