本文提出了一种新颖的“感知感知攻击”框架，用于生成对抗性音乐样本，在保持攻击有效性的同时，尽可能降低人耳感知到的音频质量损失。传统对抗性机器学习攻击通常只关注通过添加微小噪声扰动来欺骗音频分类器（如语音识别、说话人识别、音乐版权检测），但很少考虑扰动在人类听觉感知中的可接受性，尤其对于音乐这类精心设计以取悦听觉的信号。作者首先进行了一项人类研究：邀请受试者对原始音乐和扰动音乐进行成对比较，并对感知偏差进行评分。基于收集到的评分数据，利用回归分析逆向工程建立人类感知模型，该模型能够预测给定扰动信号会导致多大的人耳感知偏差。随后，将感知感知攻击形式化为一个优化问题：在确保攻击成功（即欺骗目标分类器）的前提下，寻找使预测感知偏差最小化的最优扰动信号。作者以YouTube版权检测器为攻击目标，验证了该框架的有效性。实验结果表明，与以往工作相比，感知感知攻击生成的对抗性音乐在感知质量上显著更优，即扰动更不易被听众察觉，同时仍然能够成功规避版权检测。本文的贡献在于：首次将人类感知研究融入对抗性音乐攻击的设计流程，提出可量化的感知模型，并展示了一种能够生成高隐蔽性对抗性音乐的优化方法。适合关注对抗机器学习、音频安全、人机交互与AI安全交叉领域的研究人员阅读。