基于信息论的对抗鲁棒与隐私保护表征学习

基于摘要分析。该研究针对机器学习模型同时面临对抗样本攻击与私有属性推断攻击的问题，提出信息论表征学习框架，目标是在保持主任务效用的同时，提高表征的对抗鲁棒性并保护属性隐私。 核心机制是从表征层面联合处理安全与隐私目标，而非仅关注其中一种攻击。作者报告推导了对抗鲁棒性／效用与属性隐私之间的内在权衡，以及针对属性推断攻击者的属性隐私泄漏保证。摘要未给出具体信息论量、优化目标、攻击者能力或定理假设，因此尚不能判断保证的方向、强度及适用范围，也不能将其解读为消除所有隐私泄漏。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 表征中的任务信息与被试身份等私有属性相互关联，该框架可能用于研究解码效用、扰动鲁棒性与身份隐私之间的权衡。该迁移假设依赖明确的主任务标签、私有属性标签及攻击模型；可考虑复用表征学习与信息约束思路，但须改造输入编码和扰动定义，使其符合 EEG 的时序、通道及生理约束。低信噪比、被试差异、通道变化与小数据可能使隐私约束同时抑制有效任务信息，也可能削弱理论假设的适用性。 一个可检验的小实验是：在具备任务与身份标签的 EEG 数据上，固定编码器、主任务及数据划分，对照无隐私约束的表征学习，联合评估任务 Accuracy、预先定义的 EEG 扰动下的性能及身份推断成功率。身份推断需明确攻击者能否接触目标被试数据，且不能将不同划分协议的结果直接比较。该方案并非本文已验证结果；相关 EEG 工作尚未检索确认，复现还需核对全文中的目标函数、理论条件、数据与实现信息。