利用人类 EEG 联合训练物体识别模型带来有限但一致的对抗鲁棒性增益

基于摘要分析。研究针对人工神经网络相较人类视觉更易受到对抗攻击的问题，探索将真实世界图像诱发的人类 EEG 响应作为辅助监督，能否改善物体识别模型的对抗鲁棒性。主要研究对象是视觉识别模型，而非 BCI 解码器；其贡献在于检验非侵入式人类 EEG 对视觉模型训练的作用。 方法上，作者以 ResNet50 为骨干，联合训练图像分类与 EEG 预测任务，以此将模型表征与人类脑响应对齐，并评估 EEG 预测表现及对抗攻击下的鲁棒性。摘要未提供两项任务的损失形式、权重、EEG 目标构造或训练细节，不能据此确定具体对齐机制。 作者报告，网络的 EEG 预测表现与对抗鲁棒性增益显著相关，EEG 预测表现往往在刺激呈现后约 100 ms 附近最高。作者报告，鲁棒性改善幅度有限，但在不同随机初始化下表现一致，且在架构变体中保持稳定；逐通道分析显示，顶枕区域电极的贡献最强。这些结果支持进一步研究脑响应辅助监督，但相关性本身不能确定鲁棒性改善的因果机制。 摘要未给出数据集名称、被试数、训练与测试划分、预测指标、攻击类型与强度、对照基线或增益数值；实验协议、消融及统计信息尚未验证。复现时需核对图像与 EEG 的配对方式、时间窗与预处理、辅助任务设置，以及是否在一致的分类性能和攻击预算下比较模型。材料不支持将该结果直接解释为 EEG 解码或 BCI 性能提升。