SW-ProxyCE：从公开 EEG 编码器到私有下游模型的零查询对抗迁移

基于摘要分析。本文研究 EEG 基础模型部署中的安全问题：公开发布的编码器是否会使不可访问的私有下游模型面临对抗迁移风险。作者提出 Shrinkage-Whitened Proxy Cross-Entropy（SW-ProxyCE），利用公开编码器和少量任务匹配的有标签参考数据生成对抗样本，无需查询受害模型，也无需额外训练替代分类器。 核心机制是通过收缩白化的类别原型，从参考数据中恢复任务层面的决策几何，为对抗样本生成提供任务相关信息。威胁模型允许攻击者白盒访问公开编码器，但不允许访问或查询受害模型的参数、输出或梯度。因此，“零查询”不等于无标签或无先验：该方法仍依赖公开编码器及任务匹配的有标签参考集。白化估计、代理损失和扰动约束的具体实现尚未验证。 评估覆盖三项 EEG 任务，使用三个通用基础编码器和一个范式专用预训练编码器；下游设置包括线性探测与全量微调，并覆盖跨被试和被试内场景。作者报告，在这些评估设置下，由公开编码器及有限标签参考生成的对抗样本可迁移至不可访问的下游模型，且 SW-ProxyCE 持续优于不利用任务信息的表征偏移攻击。摘要未提供各协议下的具体指标、效应幅度或不确定性，不能据此量化实际部署风险。 该研究的价值在于将 EEG 表征的可迁移性与对抗鲁棒性区分开来。复现时需核对参考集规模及其与受害模型训练数据的关系、任务与数据集、划分方式、扰动预算及信号约束，并分别检查线性探测、全量微调、跨被试和被试内结果。实验协议、消融及统计信息尚未验证；摘要仅表示代码将发布于 GitHub，当前可用性尚未确认。