معرفی مقاله و اهمیت آن

در دنیای امروز که با سرعت خیره‌کننده تکنولوژی پیش می‌رود، مدل‌های یادگیری عمیق (Deep Learning) با مقیاس بزرگ به ابزاری قدرتمند تبدیل شده‌اند. این مدل‌ها، پس از آموزش بر روی حجم عظیمی از داده‌ها، قادر به انجام وظایف پیچیده‌ای هستند. یکی از جذاب‌ترین جنبه‌های این پیشرفت‌ها، امکان استفاده مجدد از شبکه‌های از پیش آموزش‌دیده (Pre-trained networks) برای انجام وظایف جدید است. این مفهوم که به انتقال یادگیری (Transfer Learning) معروف است، به کاهش زمان و منابع مورد نیاز برای آموزش مدل‌های جدید کمک شایانی می‌کند.

در سال‌های اخیر، رویکردی نوین به نام بازبرنامه‌ریزی خصمانه (Adversarial Reprogramming) مطرح شده است. این روش امکان بازاستفاده از شبکه‌های عصبی را برای انجام کارهای جایگزین، بدون نیاز به تغییر معماری شبکه یا پارامترهای آن، فراهم می‌آورد. به بیان دیگر، می‌توان یک مدل را که برای وظیفه خاصی آموزش دیده، با استفاده از ورودی‌های دستکاری شده، وادار به حل مسئله‌ای کاملاً متفاوت کرد، بدون اینکه وزن‌های داخلی مدل تغییر کند. اهمیت این روش در کارایی بی‌سابقه و حفظ یکپارچگی مدل اصلی نهفته است.

مقاله “بازبرنامه‌ریزی خصمانه فرامودی” (Cross-modal Adversarial Reprogramming) که توسط Paarth Neekhara و همکارانش ارائه شده، مرزهای این مفهوم را فراتر برده و آن را به حوزه‌ای کاملاً جدید گسترش می‌دهد: بازبرنامه‌ریزی فرامودی. تا پیش از این، تحقیقات در زمینه بازبرنامه‌ریزی خصمانه عمدتاً بر روی وظایفی متمرکز بود که در همان دامنه‌ی داده (Data Domain) اصلی قرار داشتند؛ به عنوان مثال، استفاده از یک طبقه‌بندی‌کننده تصویر برای طبقه‌بندی نوع دیگری از تصاویر. اما این مقاله با بررسی امکان بازبرنامه‌ریزی خصمانه شبکه‌های عصبی طبقه‌بندی تصویر برای وظایف پردازش زبان طبیعی (NLP) و سایر وظایف طبقه‌بندی توالی، گامی جسورانه برمی‌دارد. این رویکرد، پتانسیل‌های عظیمی را برای بهره‌برداری از مدل‌های از پیش آموزش‌دیده در حوزه‌های کاملاً متفاوت، بدون نیاز به بازآموزی پرهزینه، آشکار می‌سازد و افق‌های جدیدی را در هوش مصنوعی فرامودی می‌گشاید.

نویسندگان و زمینه تحقیق

این پژوهش برجسته توسط تیمی از محققان خبره شامل Paarth Neekhara، Shehzeen Hussain، Jinglong Du، Shlomo Dubnov، Farinaz Koushanfar و Julian McAuley انجام شده است. این نویسندگان از پیشینه‌های دانشگاهی و پژوهشی قوی در زمینه‌های هوش مصنوعی (Artificial Intelligence)، یادگیری ماشین (Machine Learning) و سیستم‌های امنیتی و بهینه‌سازی برخوردار هستند. حضور نام‌هایی مانند Farinaz Koushanfar و Julian McAuley نشان‌دهنده مشارکت متخصصانی از دانشگاه‌های معتبر، به احتمال زیاد دانشگاه کالیفرنیا، سن دیگو (UCSD)، است که قطب‌های پیشرو در تحقیقات هوش مصنوعی و یادگیری عمیق محسوب می‌شوند.

زمینه تحقیقاتی این مقاله به طور خاص در تقاطع یادگیری انتقالی (Transfer Learning)، سازگاری دامنه (Domain Adaptation) و یادگیری ماشین خصمانه (Adversarial Machine Learning) قرار می‌گیرد. در حالی که یادگیری انتقالی به طور کلی به استفاده از دانش کسب شده از یک وظیفه برای بهبود عملکرد در وظیفه‌ای دیگر اشاره دارد، بازبرنامه‌ریزی خصمانه یک زیرشاخه خاص از آن است که بر عدم تغییر معماری و پارامترهای مدل اصلی تأکید دارد. این رویکرد به ویژه در سناریوهایی که دسترسی به داده‌های آموزشی جدید محدود است یا امکان بازآموزی مدل‌های بزرگ به دلیل محدودیت‌های محاسباتی وجود ندارد، بسیار ارزشمند است.

پیش از این مقاله، اکثر کارهای انجام شده در زمینه بازبرنامه‌ریزی خصمانه در یک “مودالیته” یا “دامنه” داده‌ای واحد باقی می‌ماندند. به عنوان مثال، یک مدل آموزش‌دیده برای طبقه‌بندی تصاویر حیوانات می‌توانست برای طبقه‌بندی تصاویر وسایل نقلیه “بازبرنامه‌ریزی” شود. اما چالش واقعی، گسترش این مفهوم به دامنه‌های داده‌ای کاملاً متفاوت است – مثلاً، استفاده از یک طبقه‌بندی‌کننده تصویر برای درک و تحلیل متن. این مقاله دقیقاً به همین چالش می‌پردازد و راه حلی نوین و کارآمد ارائه می‌دهد که نه تنها مرزهای دانش را جابجا می‌کند، بلکه افق‌های جدیدی را برای استفاده از زیرساخت‌های موجود هوش مصنوعی باز می‌کند. این تحقیق، نمایانگر تلاش برای ساخت سیستم‌های هوش مصنوعی انعطاف‌پذیرتر و کارآمدتر است که می‌توانند با حداقل تغییرات در محیط‌های مختلف به کار گرفته شوند.

چکیده و خلاصه محتوا

با گسترش روزافزون مدل‌های یادگیری عمیق در مقیاس‌های عظیم، توانایی استفاده مجدد از شبکه‌های از پیش آموزش‌دیده برای انجام وظایف جدید به یک مبحث محوری تبدیل شده است. پژوهش‌های اخیر در زمینه بازبرنامه‌ریزی خصمانه نشان داده‌اند که می‌توان شبکه‌های عصبی را برای وظایف جایگزین، بدون نیاز به اصلاح معماری شبکه یا تغییر پارامترهای آن، مجدداً برنامه‌ریزی کرد. با این حال، این مطالعات پیشین تنها وظایف اصلی و هدف را در یک دامنه داده‌ای یکسان مورد بررسی قرار داده‌اند.

مقاله حاضر دامنه بازبرنامه‌ریزی خصمانه را فراتر از مودالیته داده‌ای (Data Modality) وظیفه اصلی گسترش می‌دهد. هسته اصلی این پژوهش، تحلیل امکان‌سنجی بازبرنامه‌ریزی خصمانه شبکه‌های عصبی طبقه‌بندی تصویر برای انجام وظایف پردازش زبان طبیعی (NLP) و سایر وظایف طبقه‌بندی توالی است. این یک جهش قابل توجه است؛ زیرا به جای استفاده از یک مدل تصویری برای کار تصویری دیگر، هدف این است که یک مدل تصویری را برای درک و پردازش متن به کار بگیریم.

برای دستیابی به این هدف، نویسندگان یک برنامه خصمانه کارآمد طراحی کرده‌اند. این برنامه، توالی‌ای از توکن‌های گسسته (Discrete Tokens) (مانند کلمات یا زیرکلمات در یک جمله) را به یک تصویر تبدیل می‌کند. این تصویر به گونه‌ای طراحی شده است که توسط یک مدل طبقه‌بندی تصویر، به کلاس مورد نظر (مثلاً یک برچسب احساسی یا دسته‌بندی موضوعی برای متن) طبقه‌بندی شود. به عبارت دیگر، برنامه خصمانه به عنوان یک لایه ترجمه عمل می‌کند که زبان متن را به زبان تصویر (که مدل قبلاً آن را می‌فهمد) تبدیل می‌کند. این رویکرد امکان می‌دهد تا از قدرت محاسباتی و دانش نهفته در مدل‌های عظیم تصویر، برای حل مسائل متنی بهره برد.

نتایج حاصل از این پژوهش نشان می‌دهد که با استفاده از برنامه‌های خصمانه بسیار کارآمد، می‌توان طبقه‌بندی‌کننده‌های تصویر را به گونه‌ای بازبرنامه‌ریزی کرد که عملکردی رقابتی را در انواع مختلفی از معیارهای طبقه‌بندی متن و توالی به دست آورند، و مهم‌تر از همه، این کار بدون نیاز به بازآموزی شبکه انجام می‌شود. این دستاورد، نه تنها محدودیت‌های قبلی را از بین می‌برد، بلکه افق‌های جدیدی را برای بهره‌وری بیشتر از مدل‌های یادگیری عمیق و ایجاد سیستم‌های هوش مصنوعی فرامودی با منابع کمتر باز می‌کند.

روش‌شناسی تحقیق

روش‌شناسی این پژوهش بر اساس ایده اصلی بازبرنامه‌ریزی خصمانه استوار است، اما با یک نوآوری کلیدی: گسترش آن به سناریوهای فرامودی. هسته این روش، طراحی یک برنامه خصمانه خاص است که به عنوان یک مترجم یا آداپتور بین دو دامنه داده‌ای کاملاً متفاوت عمل می‌کند.

۱. مفهوم برنامه خصمانه فرامودی:

بر خلاف روش‌های سنتی که ورودی مدل را به طور مستقیم به یک دامنه خاص (مثلاً تصویر به تصویر) تغییر می‌دهند، در اینجا هدف این است که یک توالی از توکن‌های گسسته (که معرف یک متن یا هر داده توالی دیگر است) به یک تصویر تبدیل شود. این تصویر سپس به یک مدل طبقه‌بندی تصویر از پیش آموزش‌دیده داده می‌شود. مدل بدون اینکه بداند در حال پردازش یک “تصویر ترجمه شده از متن” است، آن را به عنوان یک تصویر معمولی طبقه‌بندی می‌کند.

۲. ساختار و بهینه‌سازی برنامه:

• تبدیل توکن به تصویر: بخش اصلی این روش، تابع نگاشت یا “برنامه” است که توکن‌های ورودی (مثلاً کلمات یک جمله) را به پیکسل‌های یک تصویر تبدیل می‌کند. این تبدیل صرفاً یک تبدیل ریاضیاتی ساده نیست؛ بلکه یک تبدیل قابل یادگیری است که به صورت خصمانه بهینه‌سازی می‌شود. به این معنا که این برنامه طوری طراحی می‌شود که خروجی مدل تصویر را به سمت کلاس هدف مورد نظر برای ورودی متنی سوق دهد.
• بهینه‌سازی خصمانه: فرآیند آموزش این برنامه خصمانه به گونه‌ای است که مدل تصویر را “فریب” دهد تا ورودی‌های متنی را به عنوان تصاویر مرتبط با یک کلاس خاص تشخیص دهد. این کار با بهینه‌سازی پارامترهای برنامه انجام می‌شود، به طوری که یک تابع هدف (مانند دقت طبقه‌بندی بر روی وظیفه NLP) به حداکثر برسد. این فرآیند مشابه حملات خصمانه (Adversarial Attacks) است، اما با هدف مثبت و سازنده بازبرنامه‌ریزی به جای تخریب عملکرد مدل.
• کارایی بالا: نویسندگان بر طراحی برنامه‌هایی تأکید دارند که نه تنها موثر باشند، بلکه بسیار کارآمد نیز باشند. این بدان معناست که برنامه باید کوچک باشد و نیاز به محاسبات زیاد برای تبدیل نداشته باشد، تا بتواند به سرعت توکن‌های ورودی را به تصاویر مناسب تبدیل کند.

۳. عدم تغییر مدل اصلی:

نکته حیاتی در این روش‌شناسی، حفظ کامل معماری و پارامترهای مدل از پیش آموزش‌دیده است. هیچ گونه بازآموزی (retraining) یا تنظیم دقیق (fine-tuning) بر روی لایه‌های مدل طبقه‌بندی تصویر انجام نمی‌شود. این امر نه تنها منابع محاسباتی زیادی را صرفه‌جویی می‌کند، بلکه امکان استفاده از مدل‌های دارای مجوزهای بسته و اختصاصی را نیز فراهم می‌آورد که دسترسی به پارامترهای داخلی آنها ممکن نیست.

۴. سناریوهای آزمایش:

این روش بر روی شبکه‌های عصبی طبقه‌بندی تصویر محبوب و قدرتمند آزمایش شده است. سپس این مدل‌های تصویری برای انجام وظایف مختلف طبقه‌بندی متن و توالی در حوزه NLP بازبرنامه‌ریزی شده‌اند. این وظایف می‌توانند شامل تحلیل احساسات (Sentiment Analysis)، طبقه‌بندی موضوعی (Topic Classification) و دیگر وظایف استاندارد NLP باشند. مقایسه عملکرد با مدل‌های تخصصی NLP نشان‌دهنده اثربخشی این رویکرد است.

در مجموع، این روش‌شناسی یک پارادایم نوین را برای استفاده از دانش موجود در مدل‌های یادگیری عمیق پیشنهاد می‌کند. با ایجاد یک پل خصمانه و کارآمد بین مودالیته‌های داده‌ای، این امکان را فراهم می‌آورد که از قابلیت‌های مدل‌های بزرگ در دامنه‌هایی کاملاً متفاوت بهره‌برداری شود و نیاز به توسعه و آموزش مدل‌های جدید از پایه را به شدت کاهش می‌دهد.

یافته‌های کلیدی

نتایج حاصل از این پژوهش، چندین یافته مهم و تأثیرگذار را به همراه دارد که قابلیت‌های بازبرنامه‌ریزی خصمانه فرامودی را به وضوح نشان می‌دهد:

• امکان‌پذیری بازبرنامه‌ریزی فرامودی: مهم‌ترین یافته، اثبات این است که بازبرنامه‌ریزی خصمانه می‌تواند فراتر از مودالیته داده‌ای اصلی گسترش یابد. این تحقیق به طور قاطع نشان می‌دهد که یک شبکه عصبی آموزش‌دیده برای طبقه‌بندی تصویر می‌تواند با موفقیت برای انجام وظایف پردازش زبان طبیعی (NLP) و سایر وظایف طبقه‌بندی توالی بازبرنامه‌ریزی شود. این یک دستاورد چشمگیر است زیرا پیش از این تصور می‌شد که چنین انتقال دانشی بین دامنه‌های کاملاً متفاوت داده‌ای بسیار چالش‌برانگیز یا حتی ناممکن است بدون تغییرات اساسی در مدل.
• عملکرد رقابتی: با وجود عدم بازآموزی یا تغییر در مدل‌های طبقه‌بندی تصویر، مدل‌های بازبرنامه‌ریزی شده به عملکردی رقابتی در طیف وسیعی از معیارهای طبقه‌بندی متن و توالی دست یافتند. این بدان معناست که خروجی مدل‌های تصویری بر روی ورودی‌های متنی “ترجمه شده”، با دقت قابل مقایسه‌ای نسبت به مدل‌های تخصصی NLP که برای همان وظایف آموزش دیده‌اند، عمل می‌کند. این نتیجه نشان‌دهنده قدرت نهفته و قابلیت‌های تعمیم‌پذیری مدل‌های یادگیری عمیق است که حتی برای داده‌هایی که هرگز ندیده‌اند، می‌توانند بینش‌هایی را ارائه دهند.
• کارایی بالای برنامه‌های خصمانه: طراحی برنامه‌های خصمانه به گونه‌ای است که بسیار کارآمد هستند. این کارایی به معنای این است که این برنامه‌ها نیاز به منابع محاسباتی کمی برای نگاشت توکن‌های متنی به تصاویر دارند. این ویژگی امکان پیاده‌سازی این روش را در سناریوهای با منابع محدود فراهم می‌کند و بر جذابیت عملی آن می‌افزاید.
• عدم نیاز به دسترسی به پارامترهای داخلی: یکی از مزایای بارز این رویکرد، عدم نیاز به دسترسی به وزن‌ها یا معماری داخلی مدل از پیش آموزش‌دیده است. تنها چیزی که نیاز است، قابلیت مدل برای پیش‌بینی بر روی ورودی‌های تصویر است. این ویژگی آن را برای مدل‌های جعبه سیاه (Black-box Models) که توسط شرکت‌ها یا سازمان‌های دیگر توسعه یافته‌اند و دسترسی به جزئیات داخلی آنها محدود است، مناسب می‌سازد.
• تعمیم‌پذیری و مقیاس‌پذیری: این روش بر روی چندین مجموعه داده (benchmark) مختلف در حوزه NLP آزمایش شده و نتایج مشابهی به دست آمده است، که نشان‌دهنده تعمیم‌پذیری (Generalizability) بالای آن است. همچنین، توانایی استفاده از مدل‌های تصویری بزرگ و از پیش آموزش‌دیده، رویکرد را برای مقیاس‌پذیری به وظایف پیچیده‌تر در آینده امیدوارکننده می‌سازد.

این یافته‌ها در مجموع نشان می‌دهند که با یک طراحی هوشمندانه از ورودی‌ها، می‌توان از توانایی‌های مدل‌های یادگیری عمیق در دامنه‌هایی که هرگز برای آنها آموزش ندیده‌اند، استفاده کرد. این رویکرد، یک پارادایم جدید را برای بهره‌برداری از هوش مصنوعی موجود و توسعه سیستم‌های چندوجهی با حداقل تلاش آموزشی معرفی می‌کند.

کاربردها و دستاوردها

دستاوردها و کاربردهای ناشی از پژوهش “بازبرنامه‌ریزی خصمانه فرامودی” بسیار گسترده و حائز اهمیت هستند و می‌توانند تأثیرات عمیقی بر نحوه توسعه و استقرار سیستم‌های هوش مصنوعی داشته باشند:

• کاهش چشمگیر هزینه‌های محاسباتی: مهم‌ترین دستاورد، امکان بهره‌برداری از مدل‌های از پیش آموزش‌دیده بدون نیاز به بازآموزی یا تنظیم دقیق آنهاست. این امر هزینه‌های محاسباتی و زمانی مرتبط با آموزش مدل‌های جدید را به شدت کاهش می‌دهد. برای مثال، به جای آموزش یک مدل NLP قدرتمند از صفر یا حتی تنظیم دقیق یک مدل بزرگ، می‌توان از یک طبقه‌بندی‌کننده تصویر موجود استفاده کرد.
• بهره‌برداری از مدل‌های جعبه سیاه: از آنجا که این روش نیازی به دسترسی به معماری یا وزن‌های داخلی مدل هدف ندارد (فقط به قابلیت مدل برای پیش‌بینی نیاز دارد)، می‌توان از مدل‌های جعبه سیاه که توسط شرکت‌ها یا پلتفرم‌های ابری ارائه می‌شوند، استفاده کرد. این کاربرد در مواردی که مالکیت معنوی مدل‌ها مهم است یا دسترسی به جزئیات پیاده‌سازی آنها محدود است، بسیار ارزشمند است.
• پل زدن بین مودالیته‌های مختلف: این رویکرد راه را برای ایجاد هوش مصنوعی فرامودی (Cross-modal AI) هموار می‌کند. با این روش، می‌توان سیستم‌هایی طراحی کرد که اطلاعات را از مودالیته‌های مختلف (مانند متن، تصویر، صدا) پردازش کنند، حتی اگر مدل‌های پایه برای یک مودالیته خاص آموزش دیده باشند. این می‌تواند به درک جامع‌تر و یکپارچه‌تر جهان توسط هوش مصنوعی منجر شود.
• افزایش دسترسی به فناوری‌های پیشرفته AI: با کاهش نیاز به منابع محاسباتی بالا و دانش تخصصی برای آموزش مدل‌ها، این روش می‌تواند فناوری‌های پیشرفته هوش مصنوعی را در دسترس کاربران و سازمان‌هایی قرار دهد که منابع محدودتری دارند. شرکت‌های کوچک‌تر یا محققان انفرادی می‌توانند از مدل‌های بزرگ و قدرتمند بدون نیاز به سرمایه‌گذاری‌های سنگین استفاده کنند.
• زمینه‌سازی برای تحقیقات جدید: این پژوهش، درهایی را به روی پرسش‌های جدید در زمینه تعمیم‌پذیری مدل (Model Generalization) و قابلیت سازگاری (Adaptability) باز می‌کند. اینکه چرا و چگونه یک مدل آموزش‌دیده برای یک مودالیته می‌تواند برای مودالیته دیگر کار کند، سؤالات عمیقی را در مورد چگونگی نمایش دانش در شبکه‌های عصبی مطرح می‌سازد.
• امنیت و حفظ حریم خصوصی: با عدم نیاز به تغییر مدل اصلی، ریسک‌های امنیتی ناشی از دستکاری مدل یا افشای داده‌های آموزشی حساس کاهش می‌یابد. مدل‌ها می‌توانند با همان امنیت و حریم خصوصی اولیه خود به کار گرفته شوند.
• طراحی سیستم‌های انعطاف‌پذیر: این رویکرد به توسعه‌دهندگان امکان می‌دهد تا سیستم‌های هوش مصنوعی انعطاف‌پذیرتری را طراحی کنند که بتوانند به سرعت با وظایف جدید و انواع داده‌های مختلف سازگار شوند، بدون نیاز به بازطراحی یا بازآموزی کامل سیستم.

به طور خلاصه، بازبرنامه‌ریزی خصمانه فرامودی نه تنها یک پیشرفت تئوریک در یادگیری ماشین است، بلکه ابزاری قدرتمند و عملی را برای حل چالش‌های دنیای واقعی ارائه می‌دهد. این پژوهش، پتانسیل عظیم مدل‌های از پیش آموزش‌دیده را آشکار می‌سازد و مسیر را برای عصر جدیدی از هوش مصنوعی کارآمد، دسترس‌پذیر و چندوجهی هموار می‌کند.

نتیجه‌گیری

پژوهش “بازبرنامه‌ریزی خصمانه فرامودی” یک نقطه عطف مهم در حوزه یادگیری ماشین و هوش مصنوعی محسوب می‌شود. این مقاله با موفقیت نشان داد که محدودیت‌های قبلی در بازبرنامه‌ریزی خصمانه، که آن را به دامنه‌های داده‌ای یکسان محدود می‌کرد، قابل شکستن است. نویسندگان با طراحی هوشمندانه یک برنامه خصمانه که قادر به نگاشت توالی‌های توکن گسسته به تصاویر است، مسیری نوین را برای بهره‌برداری از شبکه‌های عصبی طبقه‌بندی تصویر برای وظایف پردازش زبان طبیعی و سایر وظایف طبقه‌بندی توالی باز کرده‌اند.

دستاورد کلیدی این مقاله در توانایی دستیابی به عملکرد رقابتی در وظایف مختلف NLP، بدون نیاز به بازآموزی یا اصلاح پارامترهای مدل اصلی نهفته است. این امر نه تنها منجر به صرفه‌جویی عظیم در منابع محاسباتی و زمان می‌شود، بلکه امکان استفاده از مدل‌های جعبه سیاه و بهره‌برداری از دانش موجود در مدل‌های بزرگ و پیچیده را برای دامنه‌های کاملاً جدید فراهم می‌آورد. این رویکرد، تعمیم‌پذیری و انعطاف‌پذیری مدل‌های یادگیری عمیق را به سطحی بی‌سابقه ارتقا می‌بخشد.

پیامدهای این پژوهش فراتر از یک پیشرفت تئوریک است. این دستاورد، راه را برای توسعه سیستم‌های هوش مصنوعی فرامودی هموار می‌کند که می‌توانند اطلاعات را از منابع متنوعی نظیر متن و تصویر به صورت یکپارچه پردازش کنند. همچنین، با کاهش موانع ورود به فناوری‌های پیشرفته AI، این روش می‌تواند به دموکراتیزه شدن دسترسی به هوش مصنوعی و کاربرد آن در صنایع و تحقیقات گوناگون کمک شایانی کند.

مسیرهای تحقیقاتی آتی:

این پژوهش، خود الهام‌بخش چندین مسیر تحقیقاتی آتی است:

• گسترش به مودالیته‌های دیگر: بررسی امکان بازبرنامه‌ریزی بین سایر جفت‌مودالیته‌ها (مانند صدا به تصویر، یا تصویر به صدا) و همچنین بین بیش از دو مودالیته.
• افزایش پیچیدگی وظایف: آزمایش این رویکرد بر روی وظایف NLP پیچیده‌تر، مانند تولید متن، ترجمه ماشینی یا خلاصه‌سازی.
• فهم تئوریک عمیق‌تر: بررسی‌های عمیق‌تر برای درک مکانیسم‌های زیربنایی که چرا و چگونه یک مدل آموزش‌دیده برای یک مودالیته می‌تواند برای مودالیته دیگر کار کند. این می‌تواند به توسعه چارچوب‌های نظری جدید در یادگیری ماشین منجر شود.
• مقاومت در برابر حملات خصمانه: ارزیابی و بهبود پایداری برنامه‌های خصمانه در برابر حملات متقابل و همچنین بررسی ابعاد اخلاقی و امنیتی این تکنیک‌ها.

در نهایت، “بازبرنامه‌ریزی خصمانه فرامودی” نه تنها مرزهای دانش را در یادگیری عمیق جابجا می‌کند، بلکه افق‌های جدیدی را برای طراحی سیستم‌های هوش مصنوعی با کارایی بالا، منابع کمتر و قابلیت انطباق بی‌نظیر می‌گشاید و به سوی آینده‌ای هدایت می‌کند که در آن هوش مصنوعی موجود می‌تواند برای هر وظیفه‌ای، صرف‌نظر از ماهیت داده، به کار گرفته شود.