PulseAugur
中
实时 17:58:33

新的T-VSS方法可高效提升VLM对抗鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为测试时视觉子空间引导（T-VSS）的新方法，以提高视觉语言模型（VLM）的对抗鲁棒性。该技术在测试时直接调整视觉特征空间，而不是依赖于提示调整或输入空间优化等间接方法。T-VSS从受攻击图像的特征残差中构建一个特定于样本的低秩子空间，然后使用可靠性加权熵最小化在该子空间内学习特征校正。实验表明，T-VSS在各种基准测试中增强了对抗鲁棒性，同时保持了强大的干净准确率，并与现有的测试时适应方法相比提供了更高的效率。 AI

影响 这项研究为提高视觉语言模型对抗攻击的安全性提供了一种更有效的方法。

排序理由 详细介绍提高AI模型鲁棒性新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的T-VSS方法可高效提升VLM对抗鲁棒性

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Changick Kim ·

    T-VSS: Test-Time Visual Subspace Steering for Adversarial Robustness of Vision-Language Models

    Vision-language models (VLMs) achieve strong zero-shot recognition, but they remain highly vulnerable to adversarial perturbations. Recent test-time adaptations improve robustness without retraining, but they do not directly adapt the corrupted visual representation itself. Promp…

相关实体

相关话题