音声を用いたマルチモーダル動画認識モデルに対する敵対的攻撃について検証している。攻撃時には音声と映像の両方に敵対的摂動を加えることで、音声か映像のどちらかに敵対的摂動を加えたときよりも、認識精度を下げることができることを確認した。一方で、音声から得られた特徴と映像から得られる特徴のコサイン類似を下げるような損失関数を用いて学習することで、頑健性を向上することができた。