该研究探讨了对抗训练中的灾难性过拟合问题，提出了一种基于$l^p$范数的动态自适应训练方法，显著提高了模型在多步攻击下的鲁棒性，无需额外的正则化或噪声注入。

本文提出了一种名为FGSM-PGK的对抗训练方法，旨在解决快速对抗训练中的灾难性过拟合问题。该方法通过高质量对抗扰动生成正样本引导的初始化，并结合不同模型权重的平均化，显著提高了模型的鲁棒性和训练效率。实验结果表明，该方法优于现有技术。