Zespół badaczy zaproponował algorytm LBA (ang. sampling-based method) rozwiązujący problem generowania wysokiej jakości adversarialnych tekstów przy niskim budżecie zapytań. Problem polega na tym, że konwencjonalne podejścia opierają się na algorytmach zachłannych, które iteracyjnie modyfikują tekst pozycję po pozycji. Taka strategia lokalna search może pominąć wysokiej jakości przykłady adversarialne i prowadzi do zbyt wielu zapytań do modelu.
Metoda LBA działa inaczej - zamiast przeszukiwać wyczerpująco wszystkie możliwe kombinacje pozycji w tekście (co byłoby obliczeniowo niemożliwe), konstruuje przybliżony rozkład prawdopodobieństwa wysokiej jakości przykładów adversarialnych. Rozkład ten łączy wiedzę aprioryczną z wiedzą posterioryczną, która aktualizuje się w miarę postępu próbkowania. To tworzy dynamiczny system, w którym każde nowe próbkowanie jest bardziej precyzyjnie nakierunkowane.
Eksperymenty przeprowadzone na sześciu modelach, od małych po duże architekturach, oraz czterech zestawach danych wykazały znaczną przewagę LBA nad dotychczasowymi metodami na wszystkich metryk. Dodatkowo ewaluacja przeprowadzona przez duże modele językowe potwierdziła, że LBA generuje teksty adversarialne, które lepiej zachowują oryginalne znaczenie i pozostają bardziej zrozumiałe. To ma praktyczne znaczenie dla bezpieczeństwa modeli NLP.