通过特征空间微调增强定向迁移性

基于摘要分析。本文研究定向对抗样本如何迁移到未知模型，提出对基线攻击生成的对抗样本进行特征空间微调，以缓解简单迭代攻击中的过拟合问题。研究对象是对抗攻击的跨模型迁移，并非 EEG/BCI 解码，也不能依据来源栏目将其视为 State space models 方法。 核心机制是在源模型的某个中间层中，促进有利于目标类别的特征，同时抑制有利于原始类别的特征。微调对象是已有对抗样本，摘要未说明需要更新模型参数；具体特征定义、优化目标、扰动约束、中间层选择及迭代设置尚未验证。 作者报告，在其定向跨模型迁移实验中，少量微调迭代可提升多种既有攻击的迁移性；作者还报告，简单迭代攻击可获得与依赖额外数据、训练目标类别专用分类器或生成器的高资源方法相当甚至更好的迁移效果。摘要未提供数据集、源模型与目标模型组合、评价指标或具体数值，因此无法判断收益幅度及资源对照条件。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但实现内容与复现条件尚未核验。 平台推测（待验证）：该机制可作为 EEG 分类器跨模型定向攻击的评估假设，而不是提高 BCI 解码性能的方法。可复用的是基线攻击后的特征微调步骤，需改造 EEG 输入的扰动约束及中间层特征选择，并明确源模型访问权限和类别标签条件。EEG 的低信噪比、通道差异、跨被试变异及小数据训练可能使源模型中的目标类别特征无法稳定迁移。一个可检验的小实验是：在固定 EEG 数据划分、相同扰动预算及未知目标模型条件下，对比基线攻击与特征微调后的定向攻击成功率，并核对额外计算成本与信号失真；不可将跨模型迁移直接等同于跨被试泛化。已有 EEG 相关工作尚未检索确认。