面向回归学习的机器遗忘攻击

基于摘要分析。本文研究回归模型在响应数据删除请求、执行机器遗忘时的安全风险，提出 unlearning attack for regression learning（UnAR），通过诱导模型遗忘对目标样本具有影响的数据，定向改变目标样本的预测，而非以正常的数据删除为目的。 其核心机制是选择性移除训练数据对模型的影响。作者观察到，对目标预测有影响的样本通常远离回归平面，据此提出 influential sample selection（ISS）与 influential sample unlearning（ISU），分别用于识别影响样本及消除其对模型的影响。具体影响度计算、样本选择规则、遗忘算法，以及攻击者需要掌握的数据、模型信息和删除权限，摘要未展开，尚未验证。 作者报告，在五个公开数据集上的评估中，仅遗忘占数据量 0.5% 的影响样本，即可使预测偏差超过 35%。摘要未提供数据集名称、划分方式、偏差计算公式、对照基线及各数据集结果，因此该数字不能直接解释为整体回归误差增加 35%，也不能据此判断其他样本的预测效用或隐私保障。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 连续变量回归系统需要按请求执行训练数据遗忘，选择性删除高影响样本可能构成类似风险；这不等于已证实的 EEG 或 BCI 攻击效果。可复用的是“影响样本识别—遗忘—目标预测变化”的评估框架，需改造样本影响度定义并纳入被试与会话分组。低信噪比、跨被试差异及小数据条件下，远离回归平面的样本可能只是噪声，未必对目标预测有稳定影响。一个可检验的小实验是：在固定被试分组划分的 EEG 回归任务中，以相同删除比例比较 ISS 与随机选择，分别测量目标预测偏移及非目标样本误差。已有 EEG 相关工作尚未检索确认。