本文重新审视了针对 ReLU 前馈神经网络的"密码分析式"模型提取问题，即把神经网络权重与偏置的恢复类比为对密码算法的密钥恢复，从几何与代数两个视角对这一问题给出新的刻画。论文指出，以往工作大多把注意力集中在网络的单个输出分量上（例如沿某一输出维度做标量探测），从而只能恢复所谓的"行签名"（row-signature）信息。作者转而研究相邻线性区域（ReLU 激活模式切换所形成的多面体分段线性区域）上完整的向量值输出行为，由此得到一个关键结论：相邻区域之间 Jacobian（局部线性映射矩阵）的差分具有秩一（rank-one）结构。这一秩一刻画不仅能够在统一框架内重新导出传统的行侧签名信息，还额外暴露出此前被忽略的"列侧"互补信息，即矩阵差分的方向向量与尺度因子在行、列两个方向上都携带可被利用的结构。基于该刻画，作者设计了相应的提取流程，并在不同数值精度条件下（float64、float32、float16）进行了实验评估。实验表明，向量值输出所引入的额外结构可以提升提取的效果，并在数值估计的稳健性上带来改善，尤其是在低精度算术下仍能维持可用性。论文的一个显著贡献是把分析范围从文献中常见的高精度、输出经过舍入（output-rounding）的理想化设定，推进到实际部署中更常见的低精度场景（如半精度浮点推理、量化/近似计算环境），说明即便是输出精度受限的情形，攻击者（或评估者）仍可能从向量化输出中挖掘出额外的权重信息。整体上，这是一篇融合密码分析、分段线性几何与机器学习安全的交叉研究，适合模型窃取/模型提取方向的研究者、负责模型知识产权保护的工程与安全团队，以及对神经网络权重保密性评估感兴趣的读者。