概念Adversarial Training
对抗训练
对抗训练是一种机器学习训练技术，通过引入对抗样本或对抗扰动来提升模型鲁棒性，能够系统性地重塑模型内部表征结构，常用于模型鲁棒性研究和机制可解释性实验设计
时间轴 (近 90 天)
10月21日
对抗训练只能防御训练分布内的攻击类型，对未知触发词仍可能失效。
待验证50%
10月15日
对抗样本利用模型决策边界在高维空间中的脆弱性，网络的鲁棒性机制（如归一化、Dropout）对随机噪声有效但对对抗性扰动几乎无效，因为扰动方向正是梯度上升方向。
待验证50%
10月14日
GCD 不需要重新训练模型，部署成本远低于对抗训练类方案。
待验证50%
9月30日
在表征层面，对抗训练的鲁棒模型更易被SAE分解，且在任务归因中调用的SAE特征更少
待验证50%
9月30日
在高忠实度区间（90%、95%），鲁棒模型需要的电路边数显著更少
待验证50%