Os autores propõem o RITA, um framework que melhora a robustez adversarial de Modelos de Visão e Linguagem pré-treinados ao mudar de estimativas em nível de amostra para alinhamento em nível de distribuição durante o tempo de teste.
- O RITA usa transporte ótimo para alinhar características visuais aumentadas com protótipos textuais, mitigando outliers adversariais e corrigindo desalinhamento semântico entre modalidades.
- Um cache dinâmico acumula progressivamente sinais confiáveis do fluxo de teste para refinamento online.
- Experimentos mostram que o RITA melhora significativamente a robustez adversarial sem comprometer a precisão em dados limpos.