Adversarially Robust Generalization Just Requires More Unlabeled Data

Cette recherche suggère que la généralisation robuste face aux attaques adverses dans les modèles d'IA peut être obtenue principalement en utilisant davantage de données non étiquetées. L'étude implique qu'une plus grande disponibilité de données, plutôt que des changements architecturaux complexes, pourrait être essentielle pour construire des modèles plus résilients et généralisables.