論文の概要: SW-ProxyCE: Zero-Query Adversarial Transfer from Public EEG Encoders to Private Downstream Models
- arxiv url: http://arxiv.org/abs/2608.16931v1
- Date: Wed, 05 Aug 2026 06:26:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-23 14:54:39.980375
- Title: SW-ProxyCE: Zero-Query Adversarial Transfer from Public EEG Encoders to Private Downstream Models
- Title（参考訳）: SW-ProxyCE: パブリックEEGエンコーダからプライベートダウンストリームモデルへのゼロクエリ逆変換
- Abstract要約: 本稿では,パブリックエンコーダとプライベートダウンストリーム設定におけるEEGファンデーションモデル展開における逆転送攻撃について検討する。
本稿では,クエリフリーなタスク認識攻撃フレームワークであるShrinkage-Whitened Proxy Cross-Entropy (SW-ProxyCE)を提案する。
- 参考スコア（独自算出の注目度）: 8.301600382303802
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalography (EEG) foundation models have recently emerged as a promising paradigm for EEG decoding by learning reusable representations from large-scale heterogeneous neural recordings. However, the open release of EEG foundation encoders, while facilitating downstream developments, also introduces a previously unexplored security risk: publicly available representations may make private downstream models vulnerable. This paper investigates adversarial transfer attacks in EEG foundation model deployment in a public-encoder and private-downstream setting, where attackers have white-box access to a released encoder and a small task-matched labeled reference set, but no access or query to victim parameters, outputs, or gradients. We propose Shrinkage-Whitened Proxy Cross-Entropy (SW-ProxyCE), a query-free task-aware attack framework that recovers task-level decision geometry from a small labeled reference set through shrinkage-whitened class prototypes, enabling transferable adversarial generation without training an additional surrogate classifier. We evaluated SW-ProxyCE across three EEG tasks using three general-purpose foundation encoders and a paradigm-specific pre-trained encoder, covering both linear-probing and full-fine-tuning downstream models in cross-subject and within-subject scenarios. Results demonstrated that adversarial examples generated from the public encoder and limited labeled references can effectively transfer to inaccessible downstream models. SW-ProxyCE consistently outperformed task-agnostic representation-shift attacks, revealing that the strong transferability of EEG foundation models does not necessarily lead to adversarial robustness. Our code will be available on GitHub.
- Abstract（参考訳）: 脳波基礎モデル(EEG)は、最近、大規模な異種神経記録から再利用可能な表現を学習することで、脳波復号のための有望なパラダイムとして登場した。
しかし、EEGファウンデーションエンコーダのオープンリリースは、下流開発を促進する一方で、これまで探索されていなかったセキュリティリスクも導入している。
本稿では、公開エンコーダおよびプライベートダウンストリーム設定におけるEEGファンデーションモデル配置における敵の移動攻撃について検討する。攻撃者は、リリースしたエンコーダと小さなタスクマッチングされたラベル付き参照セットにホワイトボックスアクセスするが、被害者パラメータ、出力、勾配へのアクセスやクエリは行わない。
そこで我々は,Srinkage-Whitened Proxy Cross-Entropy (SW-ProxyCE) を提案する。Srinkage-Whitened Proxy Cross-Entropy (SW-ProxyCE) は,Srinkage-Whitened Proxy Cross-Entropy (SW-ProxyCE) と呼ばれる,クエリフリーなタスク対応攻撃フレームワークである。
我々は,3つの汎用基盤エンコーダとパラダイム固有の事前学習エンコーダを用いて,3つのEEGタスクにわたるSW-ProxyCEの評価を行った。
その結果、公開エンコーダと限定ラベル付き参照から生成された逆例は、アクセス不能な下流モデルに効果的に転送できることを示した。
SW-ProxyCEはタスクに依存しない表現シフト攻撃を一貫して上回り、EEG基盤モデルの強い伝達性は必ずしも敵の堅牢性に繋がらないことを示した。
私たちのコードはGitHubで公開されます。
関連論文リスト
- Targeted Downstream-Agnostic Attack [5.00483763729881]
訓練済みエンコーダは、ダウンストリーム・アグノースティック・アタック(DAA)に脆弱である
本稿では,攻撃者がターゲットとして選択した「脅威画像」と呼ばれる新しいコンポーネントを紹介する。
脅威画像を機能レベルのアンカーとして活用することにより,被害者エンコーダの脆弱性を明らかにするためにタスク非依存のブリッジを構築する。
論文 参考訳（メタデータ） (2026-05-19T07:00:36Z) - Membership Inference Attacks Expose Participation Privacy in ECG Foundation Encoders [3.4920018472301866]
自己教師付き学習で事前訓練されたファンデーションスタイルのECGエンコーダは、タスク、機関、デプロイメントコンテキストにまたがって再利用されるようになっている。
特定の個人またはコホートが、原波形や診断ラベルが公表されていない場合でも、プレトレーニングにECGデータを寄与したかどうかを、相手は推測できるだろうか?
本稿では,現代の自己管理型ECGファウンデーションエンコーダに対するメンバシップ推論攻撃の実施基盤監査について述べる。
論文 参考訳（メタデータ） (2026-04-12T02:45:16Z) - Transferable Adversarial Attacks on SAM and Its Downstream Models [87.23908485521439]
本稿では,セグメント・アプライス・モデル(SAM)から微調整した様々な下流モデルに対する敵攻撃の可能性について検討する。
未知のデータセットを微調整したモデルに対する敵攻撃の有効性を高めるために,ユニバーサルメタ初期化(UMI)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-26T15:04:04Z) - Transferable Watermarking to Self-supervised Pre-trained Graph Encoders by Trigger Embeddings [43.067822791795095]
Graph Self-supervised Learning (GSSL)は、基礎グラフエンコーダの事前トレーニングを可能にする。
このようなエンコーダは簡単にプルインできるので、著作権侵害に弱い。
我々はGSSL設定でグラフエンコーダを保護する新しい透かしフレームワークを開発した。
論文 参考訳（メタデータ） (2024-06-19T03:16:11Z) - Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。
近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。
本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
論文 参考訳（メタデータ） (2023-09-14T03:48:27Z) - Downstream-agnostic Adversarial Examples [66.8606539786026]
AdvEncoderは、事前訓練されたエンコーダに基づいて、ダウンストリームに依存しない普遍的敵の例を生成するための最初のフレームワークである。
従来の逆数例とは異なり、事前訓練されたエンコーダは分類ラベルではなく特徴ベクトルを出力するのみである。
その結果、攻撃者はトレーニング済みのデータセットやダウンストリームのデータセットを知らずに、ダウンストリームのタスクを攻撃できることがわかった。
論文 参考訳（メタデータ） (2023-07-23T10:16:47Z) - Discriminator-Free Generative Adversarial Attack [87.71852388383242]
生成的ベースの敵攻撃は、この制限を取り除くことができる。
ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。
SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
論文 参考訳（メタデータ） (2021-07-20T01:55:21Z) - Adversarial Example Games [51.92698856933169]
Adrial Example Games (AEG) は、敵の例の製作をモデル化するフレームワークである。
AEGは、ある仮説クラスからジェネレータとアバーサを反対に訓練することで、敵の例を設計する新しい方法を提供する。
MNIST と CIFAR-10 データセットに対する AEG の有効性を示す。
論文 参考訳（メタデータ） (2020-07-01T19:47:23Z) - Boosting Black-Box Attack with Partially Transferred Conditional
Adversarial Distribution [83.02632136860976]
深層ニューラルネットワーク(DNN)に対するブラックボックス攻撃の研究
我々は, 代理バイアスに対して頑健な, 対向移動可能性の新たなメカニズムを開発する。
ベンチマークデータセットの実験と実世界のAPIに対する攻撃は、提案手法の優れた攻撃性能を示す。
論文 参考訳（メタデータ） (2020-06-15T16:45:27Z) - privGAN: Protecting GANs from membership inference attacks at low cost [5.735035463793008]
Generative Adversarial Networks (GAN)は、合成画像のリリースを、オリジナルのデータセットを公開せずにデータを共有するための実行可能なアプローチにした。
近年の研究では、GANモデルとその合成データを用いて、相手によるトレーニングセットメンバーシップを推測できることが示されている。
ここでは、ジェネレータが識別器を騙すだけでなく、メンバーシップ推論攻撃を防御するために訓練される新しいGANアーキテクチャ(privGAN)を開発する。
論文 参考訳（メタデータ） (2019-12-31T20:47:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。