資料下毒與後門攻擊

這類攻擊在學習階段而非推論階段破壞解碼器。在下毒中，攻擊者污染訓練或校準資料，使模型整體準確率下降或植入特定行為；在後門中，隱藏的觸發型態只在其出現時導致指定輸出，而正常表現則掩蓋了竄改。

適應性與自我重校準的 BCI 是天然目標，因為它們持續納入新的、往往未標記的資料——正是這個讓它們得以隨漂移維持準確的機制，也開啟了操控它們的通道。聯邦式訓練進一步擴大攻擊面，因為惡意參與者能提交下毒的更新。穩健聚合、對校準資料的來源查核與異常偵測是主要的對策。