多步误差最小化（全称 Multi-step Error Minimization，简称 MEM）中科院信工所、南洋理工大学、新加坡国立大学和中山大学于 2024 年在论文「Multimodal Unlearnable Examples: Protecting Data against Multimodal Contrastive Learning」中提出，这是一种用于生成多模态不可学习示例的新型优化过程。它扩展了误差最小化 (EM) 框架，以优化图像噪声和附加文本触发器，从而扩大了优化空间，并有效地误导模型学习噪声特征和文本触发器之间的捷径。

研究团队采用投影梯度下降来解决噪声最小化问题，并使用 HotFlip 近似梯度并替换单词以找到最佳文本触发器。大量实验证明了 MEM 的有效性，保护后检索结果几乎是随机猜测的一半，并且它在不同模型之间具有很高的可移植性。