针对深度哈希的模型反演攻击

基于摘要分析。本文研究深度哈希图像检索系统的模型反演风险，提出扩散式攻击框架 DHMI，旨在无法获得真实训练哈希码、且哈希表示处于离散 Hamming 空间的条件下，重建与目标训练数据语义一致的图像。研究对象是图像检索系统的隐私安全，而非 EEG 解码或 BCI 算法。 机制上，DHMI 首先对辅助数据集聚类，提取语义哈希中心作为替代锚点；随后通过替代引导的去噪优化，结合分类一致性与哈希接近程度构成攻击指标，动态选择候选样本，再利用一组替代模型引导候选图像细化。作者将其定位为首个面向深度哈希的扩散式模型反演框架，这一优先性声明尚未独立核实。摘要未提供攻击指标的具体公式、替代模型构建方式及扩散模型训练细节。 作者报告，在多个数据集、无法获得训练哈希码的黑盒评估条件下，DHMI 能生成高分辨率、高质量图像，并优于现有模型反演攻击方法；摘要未列出数据集名称、数值指标、基线配置或黑盒查询权限。因此，尚不能判断生成图像在多大程度上恢复了特定训练样本，而不只是与其具有语义相似性，也不能量化其优势。 复现与风险核查需明确辅助数据与目标训练分布的关系、目标模型可访问输出、查询预算、重建相似度及训练样本识别标准。实验协议、消融及统计信息尚未验证。材料未提供与神经信号数据结构或 BCI 系统的具体机制对应，不据此推断 EEG/BCI 中的攻击有效性。