连续自适应对抗训练（ACAT）不断地将对抗训练样本整合到模型中，使用实际检测到的对抗数据，增强模型对不断演变的对抗威胁的抵抗能力，同时减轻灾难性遗忘，并降低了对抗样本检测所需的总时间。

Mar, 2024

本文提出课程对抗性训练 (CAT) 的方法，通过产生一系列攻击强度不同的对抗性样本，使用两种技术解决模型遗忘和泛化问题， 并证明 CAT 方法可以将 CIFAR-10 和 SVHN 的经验最坏情况精度大幅提高 25% 和 35%。同时，在非对抗性输入上，该模型的表现与现有最先进模型相当。

May, 2018

本文提出一种名为 CAT-Gen 的 NLP 模型，通过可控属性控制生成对抗文本，并将生成的对抗例子用于提高模型的鲁棒性。实验表明，与已有的对抗文本生成方法相比，CAT-Gen 能够生成更多样化、更流畅的对抗文本，并且生成的攻击能够更好地抵御模型重新训练和不同的模型结构。

Oct, 2020

本文提出了一种实例自适应对抗训练技术，通过在每个训练样本周围施加特定的扰动边缘来实现更好的泛化能力和测试准确性。

Oct, 2019

通过对比适配器训练中的知识保存得分（Knowledge Preservation Score，KPS）以及采用 CAT 损失，我们展示了低成本下个性化图像生成的各种适配器，以及通过对比联适配器训练来提高适配器训练的简单而有效策略。

Apr, 2024

通过提出综合强健的（HR）训练程序，理论和实验证明了其在对抗错误损失方面具有 SOTA 性能，并克服了在敌对训练中普遍存在的过度拟合问题。

Mar, 2023

通过对环境增强的方式，本文研究了一种用于安全端到端驾驶的闭环对抗训练框架（CAT），通过训练代理程序处理动态生成的安全关键场景，以持续提高驾驶代理的安全性能。实验结果表明，经过 CAT 训练后，代理程序在回放日志和安全关键交通场景中能够实现卓越的驾驶安全性。

Oct, 2023

本文提出了一种名为 SCAT 的自我监督对比式学习的新型框架，它可以在不要求已标记数据的情况下学习稳健的表示，并且可以增强现有预训练语言模型的稳健性。

Jul, 2023

我們提出了一種有效且強健的對抗訓練 (ERAT) 框架，能夠同時處理兩類污染 (即數據和標籤)，而不需要事先了解其具體信息。我們通過混合對抗訓練和基於類平衡樣本選擇的半監督學習提高了模型對雙重污染的韌性。大量實驗證明了我們提出的 ERAT 框架的優越性。

May, 2024

本篇论文阐述了对于神经网络存在攻击的情况下，如何通过对抗训练和小样本训练方法，提高模型的鲁棒性。

Dec, 2021