本文提出一种多项式对抗网络（MAN）用于处理多域文本分类问题（MDTC）， MAN 学习在多个域上保持不变的特征，并通过减少每个域特征分布之间的差异来实现。MAN 在实验中取得了显著的性能提升，并且在无标签数据的域中达到了最先进的性能水平。

Feb, 2018

本文提出了一种名为对抗变换网络（ATN）的新方法，其快速执行并提供出色的输出多样性，并在多个分类器上分析了其有效性。该方法旨在通过对简陋的模拟数据进行自我监督训练，生成最小化修改分类器输出的对抗性示例，同时限制新分类器以匹配对抗性目标类别。

Mar, 2017

本文使用一种名为对抗性样本的设计，产生一个可以同时攻击深度神经网络的通用攻击，包括目标攻击，通用攻击以及可转移攻击。

Aug, 2019

提出了一种新的深度生成模型 —— 多对抗生成网络（GMAN），以实现高质量图像的生成，相比标准 GAN，使用了多个判别器进行训练，无需调整损失函数，实现了更快、更有效的训练。

Nov, 2016

通过元学习方法构建的双网络框架，旨在解决深度神经网络在遇到少量样本的新对抗攻击时检测精确度低的问题。在 CIFAR-10，MNIST 和 Fashion-MNIST 三个数据集上实验表明，该方法相比于传统的对抗攻击检测方法具有更高的有效性。

Aug, 2019

通过利用标注函数对弱监督学习进行控制，我们提出了 KnowMAN 方法，该方法避免过度依赖标注函数所捕捉到的特定信号，从而改善与预训练转换器语言模型和基于特征的基线相比的结果。

Sep, 2021

本文提出了一种基于生成对抗网络的方法，通过优化骗过分类器的目标和增加多样性的目标训练生成器，从而模拟对抗性扰动的分布，生成多样的对抗性扰动，实现了在各种分类器上实现骗过率最大化，展示出了更好的通用性。

Dec, 2017

提出了一种有监督的语义转换生成模型，用于生成具有真实和合法语义的对抗性样本，实现了从非对抗性样本到对抗性样本的合法过渡。实验结果表明，生成的对抗性样本不仅具有更好的视觉质量，还实现了更高的攻击可迁移性和更有效的模型漏洞解释。

Feb, 2024

我们引入了一种自我监督、计算成本低的方法，用于在未知黑盒设置中生成对抗性样本，这些样本通过适应表示学习技术生成，并鼓励与数据分布相似，从而与受攻击的模型相关性更高，在攻击训练模型时与最先进方法相当有效，在攻击未知模型时则显著更有效，表明在针对未知模型时，基于流形的对抗性样本发挥了重要作用。

Oct, 2023

通过在图像的潜在空间中对对抗样本进行对抗训练以及利用生成模型中学习到的流形信息进行双流形对抗训练，可以大大提高深度学习模型的鲁棒性，从而有效地应对多种新颖的对抗攻击。

Sep, 2020