该文综述神经网络鲁棒性验证与可验证训练研究，利用全局Lipschitz边界、超属性形式化、SMT求解、混合整数规划及predictor-verifier、MixTrain等框架，实现可证明的全局鲁棒性，提升验证速度与可扩展性，在MNIST、CIFAR-10等基准上取得领先的可验证准确率。