ImgTrojan: Jailbreaking Vision-Language Models with ONE Image

要約

大規模な言語モデル（LLMS）の人間の価値の調整に関心が高まっています。
ただし、ビジョンモジュールまたはビジョン言語モデル（VLM）との統合の安全性の問題は、比較的目立たないままです。
この論文では、ユーザーが有害な指示を入力したときに安全障壁をバイパスすることを目指して、VLMに対する新しい侵入攻撃を提案します。
トレーニングデータに中毒（画像、テキスト）データペアが含まれるシナリオが想定されます。
元のテキストキャプションを悪意のあるジェイルブレイクプロンプトに置き換えることにより、私たちの方法は毒された画像で脱獄攻撃を実行できます。
さらに、攻撃の成功率に対するトレーニング可能なパラメーターの毒比と位置の影響を分析します。
評価のために、2つのメトリックを設計して、攻撃の成功率とステルス性を定量化します。
キュレーションされた有害な指示のリストとともに、攻撃の有効性を測定するためのベンチマークが提供されます。
攻撃をベースラインメソッドと比較することにより、攻撃の有効性を示します。

要約(オリジナル)

There has been an increasing interest in the alignment of large language models (LLMs) with human values. However, the safety issues of their integration with a vision module, or vision language models (VLMs), remain relatively underexplored. In this paper, we propose a novel jailbreaking attack against VLMs, aiming to bypass their safety barrier when a user inputs harmful instructions. A scenario where our poisoned (image, text) data pairs are included in the training data is assumed. By replacing the original textual captions with malicious jailbreak prompts, our method can perform jailbreak attacks with the poisoned images. Moreover, we analyze the effect of poison ratios and positions of trainable parameters on our attack’s success rate. For evaluation, we design two metrics to quantify the success rate and the stealthiness of our attack. Together with a list of curated harmful instructions, a benchmark for measuring attack efficacy is provided. We demonstrate the efficacy of our attack by comparing it with baseline methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google