# READING ISN’T BELIEVING: ADVERSARIAL ATTACKS ON MULTI-MODAL NEURONS

## 阅读总结报告 ### 1. 研究背景随着OpenAI发布CLIP模型（Contrastive Language–Image Pre-training），多模态神经网络现在提供了结合阅读和视觉识别的可访问模型。CLIP模型结合了传统的卷积神经网络（CNN）用于图像分类，并添加了语言变换器（编码器-解码器架构）来将文本标签与对象关联起来。这种结合文本和图像的方法为探索多模态任务提供了新的可能，同时也引入了对矛盾输入的敏感性。

### 2. 过去方案和缺点以往的研究主要集中在如何提高模型在特定任务上的表现，而没有充分考虑模型在面对矛盾输入时的脆弱性。例如，CLIP模型在处理文本和图像的矛盾信息时，倾向于优先处理文本信息，这可能导致模型做出错误的分类决策。

### 3. 本文方案和步骤本文提出了几种新的对抗性攻击类别，包括基本的排版、概念性和图像符号输入，这些输入旨在使模型做出错误或荒谬的分类。研究者通过实验展示了如何通过矛盾的文本和图像信号来混淆模型，使其选择错误的（视觉）选项。研究者还探讨了CLIP模型在处理文本和图像时的优先级，即模型倾向于先阅读文本，然后再看图像。 ### 4. 本文创新点与贡献 * 提出了新的对抗性攻击类别，这些攻击可以有效地混淆多模态神经网络。 * 通过实验展示了CLIP模型在处理矛盾输入时的脆弱性，特别是当文本信息与图像信息不一致时。 * 揭示了CLIP模型在处理文本和图像时的“阅读优先”现象，这可能影响模型的分类决策。 ### 5. 本文实验实验部分，研究者设计了一系列的攻击实验，包括排版攻击（如字体大小、字体类型、文本洪水攻击）、概念性攻击（如图像字体、图像识别内部的字母）、以及图像符号攻击（如图标攻击、图像识别与对称性定义的标签）。这些实验旨在测试CLIP模型在面对矛盾输入时的表现。 ### 6. 实验结论实验结果表明，CLIP模型在面对矛盾的文本和图像输入时，往往会优先考虑文本信息，这可能导致模型做出错误的分类。此外，模型对于字体大小、形状和模式的变化敏感，这进一步说明了模型在处理多模态输入时的脆弱性。 ### 7. 全文结论本文的研究揭示了多模态神经网络在处理矛盾输入时的潜在脆弱性，特别是当文本信息与图像信息不一致时。这些发现对于理解和改进多模态神经网络的设计具有重要意义，特别是在安全和隐私敏感的应用场景中。 ### 阅读总结本文通过一系列创新的对抗性攻击实验，展示了多模态神经网络（如CLIP）在处理矛盾输入时的脆弱性。研究者不仅提出了新的攻击方法，还深入探讨了模型在处理文本和图像时的优先级问题。这些发现对于未来多模态神经网络的设计和应用具有重要的启示作用，特别是在需要模型做出准确决策的场景中。