本研究提出了一种统计鲁棒的WDRO框架，以解决Wasserstein分布鲁棒优化中的鲁棒过拟合问题。该框架结合了对抗噪声的Wasserstein距离和统计误差的Kullback-Leibler散度，显著提升了对抗性能，推动了鲁棒优化理论的发展。

最近的研究发现深度神经网络对抗样本存在漏洞。本文提出了一种新的对抗训练方法，通过引入额外的梯度步骤来提高模型的鲁棒泛化能力。实验证明该方法有效减轻了鲁棒过拟合，并能够持续提升模型的鲁棒性。