该论文研究了一种新型的视觉模型脆弱性：数据集本身存在的自然统计信号，可以在没有恶意注入的情况下充当类似后门触发器的角色。作者将这种信号称为“统计对手”（statistical adversaries）。与传统的模型特定对抗攻击不同，这些信号是数据分布固有的，而非人为构造。 研究团队以ImageNet为基准数据集，通过相关性分析和统计控制方法，识别出与某些标签存在强关联的视觉模式（例如特定纹理、色彩分布或背景元素）。他们首先筛选出与标签高度相关的候选模式，然后利用统计控制（如偏相关分析）剔除因随机共现而产生的虚假关联，确保所发现的模式具有真实的预测性。随后，通过扰动实验验证：当这些模式出现在模型输入中时，会直接且可预测地改变模型的分类输出，且效果在不同模型架构（如ResNet、ViT）之间具有迁移性。 实验结果表明，这些统计对手比通用的图像损坏（如噪声、模糊）更具针对性，且其影响不依赖于单一模型的训练细节，而是源于数据集的结构和标签分布。论文由此推断：即使在没有蓄意投毒的情况下，普通视觉数据集也可能蕴含可被利用的对抗攻击表面。这暗示，数据集的审计工作不仅应将伪相关性视为偏差或可解释性问题，还应将其视为一种潜在的攻击面。 主要贡献包括：（1）提出了“统计对手”这一概念，将数据集固有模式与后门攻击关联起来；（2）提供了一套识别和验证此类信号的方法论；（3）证明了数据集的统计结构本身就是一种安全风险。该研究适合视觉模型安全研究者、数据集构建者以及希望理解模型鲁棒性基础限制的从业者阅读。