与对抗扰动相对：无害扰动空间

基于摘要分析。本文研究深度神经网络中与对抗扰动相对的“无害扰动空间”：作者提出，某些扰动即使幅度很大，也可使网络输出保持不变，并将其归因于线性或非线性层的非单射映射，而非一般意义上的抗噪能力。 核心机制是多个不同输入可被映射到同一输出。对于输入维度大于输出维度的线性层，参数矩阵零空间的正交基所构成的任意线性组合不会改变该层输出。对于非线性层，无害扰动空间可能随层的性质和输入样本而扩展。因此，这种输出不变性针对特定空间中的扰动，不能外推为网络对任意大幅噪声均稳健；中间层的零空间如何对应可施加于原始输入的扰动，也需结合全文核对。 作者报告求解了一族对网络决策冗余的通用扰动空间，并提出用于隐藏敏感数据和模型识别。摘要未给出具体网络、数据集、求解算法、评估指标或应用验证细节；实验协议、消融及统计信息尚未验证。输出不变本身并不等同于隐私得到保护，仍需核对其威胁模型、信息可恢复性与模型识别可靠性。 平台推测（待验证）：若 EEG 解码器包含可分析的降维线性映射，可假设其零空间用于检验模型忽略了哪些输入方向，对应 EEG 解码中信号信息保留与模型不变性的问题。可复用零空间计算与输出一致性检查，但需明确预处理、输入窗口及后续非线性模块的约束。低信噪比、跨被试变化、通道配置差异和小样本训练可能使这些方向仅对某个模型有效，并不代表生理上无关的信息。一个可证伪的小实验是：在固定被试内划分、仅用训练数据拟合的解码器上，对测试 EEG 施加可映射至原始输入的零空间扰动，与同范数随机扰动比较输出变化，并检验加入实际预处理后不变性是否仍成立。已有 EEG 相关工作尚未检索确认。