Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2502.00718

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2502.00718 (cs)
[提交于 2025年2月2日 (v1) ,最后修订 2025年7月10日 (此版本, v2)]

标题: “我不好”:在音频-语言模型中解释隐蔽、通用和鲁棒的音频越狱攻击

标题: "I am bad": Interpreting Stealthy, Universal and Robust Audio Jailbreaks in Audio-Language Models

Authors:Isha Gupta, David Khachaturov, Robert Mullins
摘要: 多模态大语言模型的兴起引入了创新的人机交互范式,但也给机器学习安全带来了重大挑战。 音频-语言模型(ALMs)尤其相关,因为口语交流的直观性,但关于它们的失败模式了解甚少。 本文探讨针对ALMs的音频越狱攻击,重点关注其绕过对齐机制的能力。 我们构建了在提示、任务甚至基础音频样本中具有泛化能力的对抗性扰动,展示了音频模态中的首个通用越狱攻击,并表明这些攻击在模拟的真实世界条件下仍然有效。 除了展示攻击的可行性外,我们分析了ALMs如何解释这些音频对抗性示例,并揭示它们能够编码难以察觉的第一人称有害言论——这表明最有效的引发有害输出的扰动特别在音频信号中嵌入了语言特征。 这些结果对于理解多模态模型中不同模态之间的相互作用具有重要意义,并为增强防御对抗性音频攻击提供了可行的见解。
摘要: The rise of multimodal large language models has introduced innovative human-machine interaction paradigms but also significant challenges in machine learning safety. Audio-Language Models (ALMs) are especially relevant due to the intuitive nature of spoken communication, yet little is known about their failure modes. This paper explores audio jailbreaks targeting ALMs, focusing on their ability to bypass alignment mechanisms. We construct adversarial perturbations that generalize across prompts, tasks, and even base audio samples, demonstrating the first universal jailbreaks in the audio modality, and show that these remain effective in simulated real-world conditions. Beyond demonstrating attack feasibility, we analyze how ALMs interpret these audio adversarial examples and reveal them to encode imperceptible first-person toxic speech - suggesting that the most effective perturbations for eliciting toxic outputs specifically embed linguistic features within the audio signal. These results have important implications for understanding the interactions between different modalities in multimodal models, and offer actionable insights for enhancing defenses against adversarial audio attacks.
主题: 机器学习 (cs.LG) ; 声音 (cs.SD); 音频与语音处理 (eess.AS)
引用方式: arXiv:2502.00718 [cs.LG]
  (或者 arXiv:2502.00718v2 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2502.00718
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Isha Gupta [查看电子邮件]
[v1] 星期日, 2025 年 2 月 2 日 08:36:23 UTC (1,762 KB)
[v2] 星期四, 2025 年 7 月 10 日 14:44:44 UTC (1,172 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.LG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-02
切换浏览方式为:
cs
cs.SD
eess
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号