本文实现并评估了一类白盒条件下不可检测的后门。背景是 Goldwasser 等人此前证明：在使用随机傅里叶特征(RFF)训练的机器学习模型中，可以植入在白盒审计下也无法被检测的后门，其安全性建立在与连续学习误差问题(CLWE)相关的困难性假设之上。按照标准密码学假设，即便审计者完全掌握模型权重，也无法区分后门模型与干净模型。然而原论文的构造以密码学归约和概率引理的形式给出，没有参考实现，并依赖稀疏高斯煎饼分布(Sparse Gaussian Pancakes)以及齐次 CLWE 条件密度等辅助数学工具，其能否用普通数值代码实现、是否必须依赖专门的密码学基础设施，从原文难以判断。本文的工作是：仅使用 numpy 与 scipy，端到端实现该白盒 CLWE-RFF 后门构造，以检验这一威胁在商品化科学计算工具下是否可真实复现。作者针对构造核心的 GP_d(b_k) 分布给出两个采样器：一是基于拒绝采样的近似代理；二是由齐次 CLWE 密度推导出的精确闭式采样器，并用其解析形式对自身进行校验。基于该实现，作者开展了统计不可区分性测试，同时覆盖权重空间比较与功能性黑盒比较；在多个稀疏比 ρ = d_sparse / D 的取值下，均未发现后门模型与干净模型之间存在可检测的差异。论文还报告了构造中哪些环节易于实现、哪些环节需要原文未展开的推导，以及哪些部分未尝试复现，包括底层的格困难性归约。作者明确将本工作定位为对 Goldwasser 白盒 CLWE 核心构造可实践性的理解性贡献，而非新的理论结果。