Multi-step Error Minimization (MEM) wurde 2024 vom Institute of Information Engineering der Chinesischen Akademie der Wissenschaften, der Nanyang Technological University, der National University of Singapore und der Sun Yat-sen University in der Arbeit „Multimodale nicht lernbare Beispiele: Schutz von Daten vor multimodalem kontrastivem Lernen" schlug ein neues Optimierungsverfahren zur Generierung multimodaler, nicht lernbarer Beispiele vor. Es erweitert das Fehlerminimierungs-Framework (EM) um die Optimierung von Bildrauschen und zusätzlichen Textauslösern, wodurch der Optimierungsraum vergrößert und das Modell effektiv dazu verleitet wird, Verknüpfungen zwischen Rauschmerkmalen und Textauslösern zu erlernen.

Das Forschungsteam verwendete den projizierten Gradientenabstieg, um das Problem der Rauschminimierung zu lösen, und nutzte HotFlip, um den Gradienten anzunähern und Wörter zu ersetzen, um den besten Textauslöser zu finden. Umfangreiche Experimente zeigen die Wirksamkeit von MEM, die Abrufergebnisse nach dem Schutz betragen fast die Hälfte der zufälligen Rateergebnisse und es ist zwischen verschiedenen Modellen hochgradig portierbar.