该论文研究线性预测模型在隐蔽虚假数据注入攻击下的对抗训练问题。现有检测方案和对抗训练方法缺乏对隐蔽攻击的性能保证，即在攻击者能够设计规避检测的恶意数据时，模型鲁棒性难以得到理论上的保障。为此，作者提出一种基于检测器的切换模型（detector-based switched model），该模型能够使攻击者的最优攻击策略是隐蔽的，从而在检测约束下对最坏情况风险进行建模。具体地，对于线性预测模型，论文推导了对抗风险的凸优化形式，使训练过程可高效求解。模型中引入了受保护特征，并设置一个表征攻击概率的超参数，从而显式地控制模型在干净数据与受攻击数据两种场景间的性能权衡。数值实验在真实数据集和合成数据上进行，结果表明，即使攻击概率先验设定不准确，所提方法在部分受攻击数据上仍能获得优于现有方法的性能。论文的主要贡献包括：首次在隐蔽攻击框架下为线性模型给出凸的对抗训练目标，提出显式权衡机制，并通过实验验证其鲁棒性与实用性。适合机器学习安全、控制理论与对抗样本防御方向的研究者和工程师阅读。