Adversarially Robust Generalization Just Requires More Unlabeled Data

Esta investigación sugiere que la generalización robusta adversarialmente en modelos de IA puede lograrse principalmente utilizando una mayor cantidad de datos sin etiquetar. El estudio implica que una mayor disponibilidad de datos, y no solo cambios arquitectónicos complejos, podría ser clave para construir modelos más resilientes y generalizables.