这篇论文关注预测模型在虚假数据注入攻击下的鲁棒性问题。尽管已有检测方案和对抗训练方法被提出，但它们往往无法为隐蔽攻击提供理论保证——即攻击者设计的最优攻击策略可能轻易绕过检测器。为此，作者提出了一种基于检测器的切换模型（detector-based switched model），该模型在检测到攻击时切换到更安全的预测模式，从而使得攻击者的最优攻击策略变得“隐蔽”反而受限。针对线性预测模型，作者推导了该切换模型所对应的对抗风险的凸优化表达式，这使得训练过程可高效求解。模型中额外引入受保护特征（protected features），并设置一个超参数来建模攻击发生的概率，从而在正常数据与受攻击数据之间实现显式的性能权衡。数值实验在真实数据集和合成数据上进行，结果表明，即使攻击概率估计不准确，该模型在部分受攻击的数据上仍能获得比传统方法更优的预测性能。本文的核心贡献在于：首次为隐蔽攻击下的对抗训练提供了具有可计算保证的框架，并通过切换机制将检测器与预测器联合优化，为线性模型的安全预测提供了新思路。适合机器学习安全、控制理论与网络物理系统交叉领域的研究人员阅读。