ICLR 2024 accept
前提：投毒数据的视觉特征与其对应的目标标签的视觉特征不一致。
VQG
作者将问题建模成以下形式：
$F_{vqy}$可以看作一个系统，输入是标签$y_i$（可能是ground truth，也可能是目标标签），输出是关于这个标签的问题和答案。
作者将问题分为两类：
- 通用问题：通用问题指的是粗粒度的问题，比如“简单的描述一下这幅图片。”
- 特定标签问题：细粒度问题，例如“图片中的气体是被用来飞行的吗”
这个系统是人力设计的，也就是说人来拟定问题和答案；对于特定标签问题，由于有的数据集标签太多，因此他们也会用LLM来生成一些问题和答案（如GPT）
VQA
输入一张图片，输入对应的问题，然后让MLLM来做出回答，目的是为了提取图片中的视觉语义。
VAE
对于类别特定问题，直接使用字符串匹配来评估。
对于通用问题，使用ChatGPT来评估。
最终采用一个集成的方式来得到最终分数，当分数低于阈值的时候，样本被检测为脏数据。
