通过输出标签空间的隐私泄露与差分隐私持续学习

基于摘要分析。本文研究分类模型的输出标签空间如何泄露敏感信息，指出即使模型训练满足差分隐私（DP），系统仍可能通过标签空间产生隐私侧信道。作者报告识别了这一侧信道并展示具体攻击，随后提出并评估两种消除该侧信道的方法。 核心问题位于模型与系统的边界：训练过程的 DP 保护不应被直接等同于整个系统的隐私保护。持续学习（CL）中，输出标签空间会随时间变化，因此作者认为这一侧信道尤其值得关注。摘要未披露攻击者可见信息、邻接数据集定义、具体攻击步骤及成功率，这些条件尚需全文核对。 两种防护路径分别是：采用作者所称的最优 DP 机制，发布敏感数据中包含的标签；以及使用一个较大的公共标签空间。前者将标签发布本身纳入隐私机制，后者依赖公共标签空间作为替代。作者通过适配预训练模型探索两种方法的权衡，但摘要未提供具体模型、数据集、隐私预算、效用指标或数值结果，因而尚不能判断各自的适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG/BCI 持续学习系统的新增输出类别本身涉及敏感信息，则训练阶段采用 DP 后，仍有必要单独审查标签空间的发布方式。这只是系统隐私层面的条件性关联，不构成对 EEG 解码性能或防护有效性的验证；已有 EEG 相关工作尚未检索确认。