本文提出了一种基于流形的切平面与法线平面对抗正则化方法（TNAR），旨在提升半监督学习中的分类器鲁棒性。研究表明，对抗训练的有效性与测试数据点与训练数据流形的距离相关，并提出了“盲点攻击”以应对复杂数据的挑战。此外，探讨了深度学习中的对抗攻击与泛化能力，并提出新的基准测试TabularBench，以评估表格深度学习模型的鲁棒性。

本文介绍了一种名为Jacobian对抗正则化网络（JARN）的方法，通过优化分类器的Jacobian来提高图像分类器的鲁棒性。与标准模型相比，JARN在MNIST、SVHN和CIFAR-10数据集上表现更佳，提供了一种无需对抗训练示例的增强模型鲁棒性的新方法。