Erkennungsgesteuerte SAE-Feature-Unterdrückung macht VLA-Modelle robuster gegen Adversarial Patches
Der Preprint stellt eine Abwehr für Vision-Language-Action-Modelle vor, bei der ein Sparse Autoencoder ein mit Adversarial Patches korreliertes internes Feature identifiziert und eine lineare Sonde Angriffe erkennt. Die Methode unterdrückt das Feature nur bei erkannter Attacke und verbessert auf LIBERO-10 die Erfolgsrate unter intermittierenden UADA-Angriffen, etwa bei π0.5 von 26,0 % auf 32,4 % bei n=10. Die Ergebnisse zeigen, dass gezielte Eingriffe in interne Repräsentationen die Robustheit erhöhen können, ohne das VLA-Modell feinzutunen.