FGMIA：针对人脸识别模型的特征引导模型反演攻击

基于摘要分析。本文研究针对人脸识别模型的模型反演攻击，目标是从识别模型中重建特定个体的面部图像。作者提出 Feature-Guided Model Inversion Attack（FGMIA），将反演任务重构为条件数据分布学习，并利用目标模型的特征编码引导扩散模型生成重建图像。 机制上，作者指出，现有方法常通过迭代优化 GAN 潜变量实现反演，可能受到潜空间复杂性与纠缠的影响；目标模型梯度也可能引导生成置信度高、但与目标身份感知相似度较低的图像。FGMIA 将经拆解的目标模型用作特征编码器，为专门训练的特征引导扩散模型提供条件信号；攻击阶段则提取目标模型中隐含的特征编码，以此引导私有数据重建。摘要未说明目标模型的具体拆解方式、攻击者所需访问权限、训练数据来源及身份重叠条件。 作者报告，在人脸识别模型反演实验中，FGMIA 相较所比较的现有方法提高了评估准确率与感知相似度，同时保持相近的目标模型置信度。摘要未提供数据集、数据划分、基线名称、指标定义或具体数值，因此尚不能判断提升幅度及适用范围；实验协议、消融及统计信息尚未验证。作者提供了代码链接，但实现与复现条件尚未核验。 本文的主要对象是人脸识别系统的隐私泄露，而非 EEG 解码或 BCI。材料未建立面部特征条件与神经信号之间的具体对应关系，不能据此认定该攻击对 EEG/BCI 模型有效；相关 EEG 工作尚未检索确认。