数据驱动的可迁移对抗空间

基于摘要分析。本文研究图像分类 DNN 中的对抗扰动，尝试从单个样本的对抗方向转向数据集级对抗空间，以分析扰动的跨模型迁移及其与数据分布、决策边界的关系。 核心机制是将对抗扰动表示为一组对抗方向的线性组合，再进行非线性投影，并通过所提出的贪心算法学习这些方向张成的对抗空间。相较于逐样本分析，研究重点是数据集范围内的共同扰动结构。非线性投影的定义、优化目标、方向选择规则及训练成本尚未验证。 作者报告，在 Cifar10 和 ImageNet 上的实验支持对抗空间作为整体数据空间中嵌入空间的存在，并可利用学习到的空间对决策边界进行统计分析。作者还报告，在一个 DNN 上学习的对抗空间具有模型无关性，且普通模型上学习的空间是鲁棒模型对应空间的子集，并据此认为数据分布可能是对抗样本产生的根本原因。这是作者对实验观察的解释；摘要未提供模型配置、鲁棒训练方式、数据划分、迁移评估指标或具体数值，实验协议、消融及统计信息尚未验证，不能据此断言对任意模型均成立。 平台推测（待验证）：其可迁移机制可作为 EEG 分类器鲁棒性分析的假设，即同一数据分布下，不同分类器可能共享部分对抗方向。可复用的是方向集合、组合表示及跨模型检验思路；非线性投影与扰动约束则需适配 EEG 的通道、时间和信号幅度结构。低信噪比、跨被试分布差异、通道变化及小数据可能使学到的空间反映噪声或被试特征，而非稳定的任务相关结构。一个小规模可证伪实验是在固定被试内划分下，仅用训练集学习一个分类器的对抗空间，再在独立测试集上检验其对另一分类器的迁移，与匹配扰动幅度的随机方向对照；跨被试结论需另行验证。已有 EEG 相关工作尚未检索确认。