EEG-based BCI 回归问题的白盒定向攻击

基于摘要分析。该研究关注 EEG-based BCI 回归模型的对抗脆弱性，提出两种白盒定向攻击方法，旨在通过对原始输入添加小扰动，使回归输出改变预先指定的量。其主要贡献是将定向对抗攻击从分类问题拓展至 BCI 回归问题，并考察攻击样本的跨模型迁移能力。 机制与威胁模型：白盒设置假定攻击者掌握被攻击回归模型的全部信息，攻击目标并非仅使预测出错，而是控制输出变化的幅度。摘要未说明两种方法的具体优化过程、损失函数、扰动度量或约束，因此尚不能判断其差异、计算成本，以及扰动是否符合真实 EEG 采集与处理条件。 结果与证据边界：作者报告，在两个 BCI 回归问题上的实验验证了两种方法的有效性；作者还报告，两种方法生成的对抗样本均具有迁移性，即可利用已知回归模型生成的样本攻击未知回归模型，实现黑盒攻击。摘要未提供具体回归任务、数据集、被试数、数据划分、模型类型或量化指标，不能据此比较攻击效果，也不能将跨模型迁移等同于跨被试、跨会话或跨数据集有效。作者将其称为据其所知首项针对 EEG-based BCI 回归问题的对抗攻击研究，该优先性声明尚未独立核实。 复现与局限：需核对预定输出变化量与实际变化量的关系、扰动预算、攻击成功率的定义，以及不同目标模型和数据划分下的结果；同时需确认攻击施加于何种输入表示、预处理是否影响攻击，以及模型输出受操纵与真实 BCI 系统风险之间的关系。实验协议、消融及统计信息尚未验证，代码可用性亦尚未验证。