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。