脑机百科消息(bciwiki.com)，研究人员发现，在保持识别精度的前提下对脑电（EEG）解码模型做剪枝或低精度量化，并不能提升模型抵御对抗攻击的能力；该研究为预印本，于2026年9月24日上传至arXiv，尚未经同行评审，作者为Saim Rehman和Muhammad Shafique。
研究基于公开的BCI Competition IV-2a运动想象数据集，覆盖9名受试者、3个随机种子，比较了32位浮点（FP32）的EEGNet和ShallowConvNet模型，以及它们经全局幅度剪枝、模拟INT8训练后量化（PTQ）和量化感知训练（QAT）后的版本。研究用可微的量化—反量化模拟模型实施白盒攻击并做梯度分析，再用TensorRT原生部署加以验证。
结果显示，在扰动强度ε=0.005时，EEGNet在投影梯度下降（PGD）攻击下的准确率，在FP32、50%剪枝（P50）、PTQ和QAT四种版本中均为22%至24%，压缩没有带来抗攻击能力的提升。
差异出现在攻击的迁移上。P50与FP32模型之间的双向迁移效率降至0.963和0.928（FP32→P50、P50→FP32），PTQ则为0.994和0.997；ShallowConvNet呈现同样趋势，梯度对齐分析也显示相应的分离。原生PTQ部署与模拟模型在干净样本和对抗样本上的预测一致率为95%至98%。
作者据此认为，直接抗攻击能力、对抗迁移和部署效率是压缩脑电解码器的三种不同属性。据作者说明，论文已投稿IEEE ICASSP 2027，共5页。