提出了一种基于虚拟对抗损失的正则化方法 - 一种关于条件标签分布的局部平滑度的新度量。虚拟对抗损失被定义为每个数据点周围条件标签分布对本地扰动的鲁棒性。我们的方法定义了无需标签信息的对抗方向，因此适用于半监督学习。在多个基准数据集上，通过熵最小化原理实现的 VAT 在半监督学习任务上实现了 SVHN 和 CIFAR-10 的最新性能。

Apr, 2017

该论文提出了一种基于上下文的虚拟对抗训练方法，通过在上下文级别执行对抗性训练来防止文本分类器过度拟合噪声标签，实验证明该方法对于处理噪声标签非常有效。

May, 2022

基于分布平滑的半监督深度学习方法和梯度升级生成虚拟对抗训练方法被提出用于降低数据标签的高成本，两种方法被成功整合实现了接近监督准确度。

Nov, 2017

通过将虚拟对抗训练（VAT）与 BERT 模型结合，提出了一种基于视觉解释的自我改进的分类模型，用于解决使用 BERT 构建的分类系统存在的解释困难和鲁棒性低的问题。实验结果表明该模型在 Twitter 的推文数据集上对分类任务具有显著有效性。

Sep, 2023

本文提出了一种 GCN 半监督学习的虚拟对抗训练方法，并通过 GCN Sparse VAT（GCNSVAT）和 GCN Dense VAT（GCNDVAT）算法在标记和未标记数据上进行优化，提高其泛化性能。该方法在 GCN 的 Symmetrical Laplacian Smoothness 上取得了改进，并通过大量实验证实了我们方法的有效性。

Feb, 2019

本文提出了一种名为 LVAT 的新的规则化方法，将扰动注入潜在空间以生成理解性更强的对抗样本，并在图像分类任务的超视觉和半监督学习情景中使用 SVHN 和 CIFAR-10 数据集验证其性能，证明其优于其他现有方法及 VAT。

Nov, 2020

这篇论文研究了在医学图像数据集中，由于欠拟合和过拟合现象，无法很好地工作的深度学习模型问题，并提出了一种名为 Medi-CAT 的训练策略，采用了大型预训练视觉变换器以克服欠拟合，并采用对抗性和对比性学习技术以防止过拟合，实验结果表明，相比于其他已知方法，这种方法在三个基准数据集上提高了 2% 的准确性，并且相对于基准方法提高了 4.1% 的性能。

Oct, 2023

本文基于 graph convolutional networks (GCNs) 提出了 batch virtual adversarial training (BVAT) 的正则化方法，并验证了其在半监督节点分类任务中较好的效果。

Feb, 2019

本文介绍了在文本领域将反对训练和虚拟反对训练应用于使用递归神经网络中的单词嵌入，并在多个基准半监督和纯监督任务上实现了最先进结果。

May, 2016

通过协作对抗训练（collaborative adversarial training），结合虚拟对抗训练和对抗训练等不同级别的训练方法来提高数据利用率，有效地解决标签噪声带来的数据利用不足的问题，并在远程监督下的关系提取（distantly supervised relation extraction）中实现了约 5 个 AUC 分数的提升。

Jun, 2021