Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Can LLMs Deceive CLIP? Benchmarking Adversarial Compositionality of Pre-trained Multimodal Representation via Text Updates

Created by
  • Haebom

저자

Jaewoo Ahn, Heeseung Yun, Dayoon Ko, Gunhee Kim

개요

본 논문은 사전 훈련된 다중 모달 표현(예: CLIP)의 구성적 취약성을 다룹니다. CLIP과 같은 모델이 놀라운 능력을 보여주지만, 직관에 반하는 판단을 내리는 구성적 취약성을 가지고 있다는 점에 주목합니다. 이를 평가하기 위해, 대규모 언어 모델(LLM)을 활용하여 다양한 모달리티(이미지, 비디오, 오디오)에서 이러한 취약성을 악용하는 기만적인 텍스트 샘플을 생성하는 벤치마크인 Multimodal Adversarial Compositionality (MAC)를 제시합니다. 샘플 단위 공격 성공률과 그룹 단위 엔트로피 기반 다양성을 통해 평가합니다. 또한, 제거 샘플링 미세 조정과 다양성 증진 필터링을 활용하는 자기 학습 접근 방식을 제안하여 제로샷 방법을 개선합니다. Llama-3.1-8B와 같은 작은 언어 모델을 사용하여 다양한 다중 모달 표현에서 구성적 취약성을 드러내는 데 있어 우수한 성능을 보여줍니다.

시사점, 한계점

시사점:
다중 모달 모델의 구성적 취약성을 체계적으로 평가하는 새로운 벤치마크(MAC)를 제시.
제로샷 방법의 성능을 향상시키는 자기 학습 접근 방식 제안.
작은 LLM을 사용하여 효과적으로 다중 모달 모델의 취약성을 공격할 수 있음을 증명.
한계점:
제안된 자기 학습 접근 방식의 일반화 성능에 대한 추가적인 연구 필요.
MAC 벤치마크의 범용성 및 다양한 다중 모달 모델에 대한 적용 가능성에 대한 추가 검증 필요.
특정 LLM에 대한 의존성 및 다른 LLM을 사용했을 때의 성능 변화에 대한 분석 필요.
👍