본 논문은 적대적 환경에서 높은 모델 견고성을 달성하기 위한 반지도 학습 기반 적대적 훈련(SSAT)의 효율성을 향상시키기 위해, 모델의 결정 경계 근처의 중요한 데이터 샘플을 선택하거나 생성하는 방법을 제안한다. 이를 통해 SSAT의 데이터 요구량과 계산 비용을 줄이면서도 견고성 이점을 유지하는 것을 목표로 한다. k-means 클러스터링 기반 잠재 공간 선택 방식과 LCG-KM을 사용한 DDPM 미세 조정 접근 방식이 가장 효과적인 결과를 보였으며, 견고한 정확도를 유지하면서도 5~10배 적은 양의 미표지 데이터와 약 4배 감소된 총 런타임을 달성했다.
