本论文针对电力系统网络攻击检测中的机器学习模型鲁棒性问题，系统评估了量子机器学习（QML）方案与传统经典模型在对抗环境下的表现，并提出一个关键方法论论点：评估者自身的选择会先于模型决定基准测试的结论。研究在公开的密西西比州立大学/ORNL 电力系统攻击数据集上，对 fidelity-kernel SVM 和变分分类器两种 QML 模型与六种调优后的经典模型进行了全面比较，覆盖白盒攻击、迁移攻击、基于决策的黑盒攻击和投毒攻击等场景。作者识别出八个评估者选择——其中六个属于评估协议，两个属于基准调优过程——每个选择都能在固定模型的情况下逆转或改变原有结论。最大的影响因素是数据分割方式：采用行级随机划分时，模型可取得 0.905 的宏 F1 分数；而按完整源文件留出时，分数骤降至 0.594；在限制维度匹配的设置下，QML 模型几乎接近随机猜测，经典模型也仅高出 0.024。此外，fidelity kernel 在未受直接攻击时看似鲁棒，但其保留率在直接攻击下从 0.886 跌至 0.064，暴露了表面稳健性的假象。错误拟合的替代模型可造成 10 倍的不对称性，未设置随机种子的黑盒攻击在不同重启间有 75% 的结果波动。通过阳性对照，作者证明准确性失效的根源在于标签本身，而非建模管道。论文最终提供了能够捕捉每个选择影响的控制方法，并发布了带种子的基准，以促进可复现、无偏见的未来比较。该研究适合安全研究人员、电力系统安全工程师以及量子机器学习开发者阅读，提醒社区在设计评估协议时必须谨慎，否则结论将失去可信度。