研究人员开发了新的方法来提高对抗性攻击针对多模态大语言模型(MLLM)和视觉语言模型的迁移性。第一种方法IAU-FOA在全局和局部层面匹配对抗样本和目标样本,使用最优传输进行细粒度特征匹配,并通过视觉不变性增强来提高跨不同视觉编码器的泛化能力。第二种方法LI-Boost侧重于增强对抗性扰动中的局部不变性,证明了这种局部不变性与跨各种模型架构甚至商业视觉API的迁移性提高之间存在正相关。 AI
影响 这些进展可能导致针对多模态人工智能系统的对抗性攻击的防御能力得到增强。
排序理由 该集群包含两篇学术论文,详细介绍了提高对抗攻击迁移性的新方法。
- arXiv
- computer science
- Computer vision and pattern recognition
- IAU-FOA
- MLLMs
- CNNS
- ImageNet
- LI-Boost
- Vits
- Xiaosen Wang
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →