Der Feature Optimal Alignment Attack (FOA-Attack) wurde im Mai 2025 von einem Forschungsteam der Nanyang Technological University, der Muhammad Bin Zayed University for Artificial Intelligence und weiterer Universitäten und Institutionen gemeinsam vorgeschlagen. Die entsprechenden Forschungsergebnisse wurden in der Publikation „…“ veröffentlicht.Adversarial Attacks against Closed-Source MLLMs via Feature Optimal AlignmentDer Vorschlag wurde von NeurIPS 2025 angenommen.

FOA-Attack ist eine zielgerichtete, übertragbare Methode für adversariellen Angriffe, die auf optimaler Merkmalsausrichtung basiert. Auf globaler Ebene verwendet dieses Paradigma einen globalen Merkmalsverlust basierend auf Kosinusähnlichkeit, um die grobkörnigen Merkmale des adversariellen Beispiels mit denen der Zielprobe abzugleichen. Auf lokaler Ebene nutzt dieses Paradigma die umfangreichen lokalen Repräsentationen des Transformers und Clustering-Verfahren, um kompakte lokale Muster zu extrahieren und redundante lokale Merkmale zu reduzieren. Umfangreiche Experimente belegen, dass FOA-Attack die modernsten zielgerichteten adversariellen Angriffsmethoden übertrifft und eine überlegene Übertragbarkeit sowohl auf Open-Source- als auch auf proprietäre MLLMs (Multi-Learning Learning Models) erreicht.