POINTACL：面向对抗攻击下鲁棒点云表征的对抗对比学习

基于摘要分析。本文研究对抗攻击下的 3D 点云表征学习，提出自监督对抗对比学习方法 POINTACL，通过投影前特征上的虚拟对抗损失生成对抗样本，并结合鲁棒性感知损失与几何差异点输入增强预训练表征的鲁棒性。 机制上，对比学习中的 MLP projector 将高维点云特征映射到低维空间以计算对比损失；POINTACL 则利用投影之前的特征表征构造虚拟对抗损失，用于生成对抗训练样本。作者另引入 robust aware loss，并使用 Difference of Normal（DoN）算子提取高差异点，作为对抗自监督对比学习的额外输入。摘要未给出各项损失的数学形式、权重、扰动约束或点集融合方式，这些细节尚未验证。 作者报告，在多个数据集上的 3D classification 与 3D segmentation 下游任务中，POINTACL 相较其他对抗对比学习方法取得了最先进的鲁棒准确率表现。但摘要未列出数据集名称、划分、攻击类型与强度、基线配置或具体数值，无法据此比较增益大小；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：投影前特征上的对抗正则化可能用于检验 EEG 自监督表征对输入扰动的敏感性，但原方法依赖 3D 点云及局部法向几何，不能直接把 DoN 输入机制迁移到 EEG。可复用候选是特征层面的对抗样本生成思路；需改造的是符合 EEG 幅值、频谱和通道结构的扰动约束。低信噪比及小数据条件下，对抗训练可能强化噪声或压制任务相关成分，跨被试差异也不等同于对抗扰动。一个可检验的小实验是在固定 Cross-subject 划分与相同编码器下，仅比较常规对比预训练和增加投影前对抗正则化的版本，同时评估干净输入与预先定义扰动下的表现。已有 EEG 相关工作尚未检索确认。