本文针对可穿戴 EEG（脑电图）系统在健康监测之外可能泄露神经隐私的问题展开研究。作者指出，尽管许多系统假设仅传输紧凑的频谱或空间特征而非原始 EEG 数据即可提供足够的隐私保护，但实际这些特征仍可能泄露用户身份和人口统计属性。以 EEGMAT 作为案例，实验表明常用 EEG 特征在实现认知状态分类（平衡准确率 0.788）的同时，也能以较高的平衡准确率推断性别（0.858）、年龄（0.789）和受试者身份（0.692）。为缓解这一风险，作者提出一种基于对抗表示学习的隐私保护方法（NeuroPriv），通过对抗训练引导特征表示去除与隐私属性相关的信息，同时保持任务相关特征。结果表明，所提方法能将认知任务性能保持为 0.781，同时将性别、年龄和身份推断的平衡准确率分别降至 0.563、0.467 和 0.206，显著降低隐私泄露风险。论文的核心贡献是证明了‘目的受限表示’的必要性，并倡导在可穿戴神经健康系统中引入显式隐私审计机制。研究属于人机交互与机器学习交叉领域，适合可穿戴计算、隐私保护机器学习以及神经伦理方向的研究者和安全工程师阅读。

现有利用Wi-Fi信道状态信息（CSI）的击键窃听攻击需要破解Wi-Fi硬件，但由于硬件紧凑性，这种破解可行性正在下降。本文提出WiKI-Eve，一种无需破解硬件的新型击键窃听攻击。WiKI-Eve利用最新Wi-Fi硬件提供的波束赋形反馈信息（BFI），该信息从智能手机以明文形式发送到接入点（AP），因此任何处于监听模式的Wi-Fi设备都可以窃听。针对现有击键推理方法泛化能力有限的问题，WiKI-Eve采用对抗学习方案，使其推理能够泛化到未见场景。实验表明，WiKI-Eve对单个击键的推理准确率达到88.9%，对移动应用（如微信）密码窃取的top-10准确率达到65.8%。该工作揭示了新一代Wi-Fi硬件普及带来的新型侧信道威胁，对移动设备隐私安全构成挑战。