本文研究了对抗鲁棒学习的样本复杂度，发现其显著高于标准学习，且与训练算法无关。通过实验揭示了鲁棒性与标准准确性之间的紧张关系，并提出新的测量指标和改进策略，以提高机器学习模型在各种环境下的鲁棒性，强调未来研究的方向和挑战。