面向 EEG-based BCI 回归问题的白盒目标攻击

基于摘要分析。该研究关注 EEG-based BCI 回归模型的对抗脆弱性，提出两种白盒目标攻击方法：在掌握被攻击回归模型全部信息的前提下，向原始输入加入小幅、特意设计的扰动，使回归输出按预定幅度改变。其主要贡献是将对抗攻击的研究对象从分类预测扩展到 BCI 回归输出的定向操控。 机制与威胁模型：这里的攻击目标不是改变分类标签，而是控制连续回归输出的偏移。摘要明确了模型信息完全已知的白盒条件，但未提供两种方法的名称、优化目标、损失形式、扰动度量或求解过程；“小幅扰动”的具体约束及其对 EEG 信号的影响尚未验证。 结果与评估：作者报告，两种方法在两个 BCI 回归问题上均有效；生成的对抗样本还具有跨模型迁移性，即可用已知回归模型生成的样本攻击未知回归模型，从而实施黑盒攻击。摘要未说明具体任务、数据集、被试数量、数据划分、模型组合、攻击成功指标或效果数值，不能据此判断跨被试、跨会话或实际部署条件下的攻击能力。 证据边界与复现：作者称，据其所知，这是首项针对 EEG-based BCI 回归问题的对抗攻击研究，该优先性声明尚未独立核实。复现需进一步取得两种攻击的算法细节、输入预处理与扰动预算、目标偏移设置，以及源模型与目标模型的评估协议；实验协议、消融及统计信息尚未验证。摘要支持关注回归型 BCI 的安全风险，但不支持将跨模型迁移直接等同于真实设备或在线 BCI 系统已被攻破。