面向对抗鲁棒性的信息论视角文本解耦表征学习

基于摘要分析。本文研究 NLP 模型在输入文本受到难以察觉的扰动时出现的对抗脆弱性，提出从信息论视角学习解耦文本表征，以显式区分鲁棒特征与非鲁棒特征。 核心机制是受信息论中 variation of information（VI）启发，推导由互信息构成的解耦学习目标，同时刻画潜在嵌入的语义代表性，以及鲁棒特征与非鲁棒特征的区分程度；随后设计解耦学习网络来估计互信息并实现该目标。摘要未提供目标函数的具体形式、互信息估计器、特征划分依据或训练与推理流程，这些实现细节尚未验证。 作者报告，在典型文本任务的对抗攻击评估中，该方法显著优于代表性方法，并据此认为舍弃非鲁棒特征对改善模型鲁棒性具有关键作用。摘要未列出任务名称、数据集、攻击方式、扰动预算、基线或具体指标，因此无法判断改善幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在可迁移点是通过表征目标分离任务相关的稳定信息与易受扰动的信息，而非直接复用文本网络。若用于 EEG，需要重新定义与神经信号相符的扰动、语义保持条件及鲁棒性监督，并核对互信息估计对样本规模的依赖。低信噪比、通道变化和跨被试差异可能使有效但微弱的任务信息被误判为非鲁棒特征。一个可证伪的小实验是，在固定 EEG 任务和跨被试划分下，以相同编码器比较加入与不加入该解耦目标时的干净信号表现及预设通道噪声下的性能变化，检验是否仅获得扰动鲁棒性而损害原任务信息。上述假设不属于论文已验证结果，已有 EEG 相关工作尚未检索确认。