本研究提出了一种新颖的数据修剪技术，有效解决深度神经网络中的虚假相关性问题，实验结果表明该技术在识别虚假信息方面表现优异。

本文提出了一种基于数据修剪的对抗训练方法，通过自适应数据集修剪框架AdaPruner和新数据修剪策略PUMA，减少冗余数据，提高深度神经网络的计算效率和鲁棒性，同时提升模型性能和准确性，尤其在对抗训练中表现突出。