本研究针对视觉-语言预训练模型的鲁棒性问题，提出了协作多模态对抗攻击和CMI-Attack等新型对抗攻击方法，显著提高了对不同模型的攻击成功率。研究表明模态交互在增强对抗鲁棒性方面的重要性，为视觉-语言模型的安全部署提供了新视角。

本文研究了视觉语言预训练模型（VLP）的对抗性，提出了集合级引导攻击（SGA）和协作多模态对抗攻击（Co-Attack）等新型攻击方法，显著提高了攻击成功率。实验结果表明，模态交互在增强对抗鲁棒性方面至关重要，揭示了VLP模型的脆弱性及其在实际应用中的安全隐患。

本文探讨了深度网络对抗扰动攻击的多种方法，包括生成无关对抗扰动（UAPs）和新型攻击策略。研究表明，通过优化损失函数和利用模态交互，可以显著提高对抗攻击的成功率，并在多个数据集上验证了这些方法的有效性。

本研究针对视觉-语言预训练模型的鲁棒性问题，提出了协作多模态对抗攻击和CMI-Attack等新型攻击方法，显著提高了攻击成功率。研究强调模态交互在增强对抗鲁棒性中的重要性，并呼吁对视觉-语言模型的安全性进行更全面的评估。