Este artículo analiza cómo la regularización de invariancia puede utilizarse para resolver el dilema entre robustez y precisión en el aprendizaje adversarial, y propone un método novedoso, el Entrenamiento Adversario Regularizado por Representación Asimétrica (ARAT), para superar este dilema. Identificamos problemas con la regularización de invariancia existente, como conflictos de gradiente entre los objetivos invariante y de clasificación, y problemas de distribución mixta causados por diferencias distribucionales entre entradas limpias y adversariales. ARAT aborda el problema del conflicto de gradiente mediante una pérdida de invariancia asimétrica, una operación de gradiente de parada y predictores, y aborda el problema de la distribución mixta mediante una arquitectura de norma de lotes divididos. Los resultados experimentales muestran que ARAT supera a los métodos existentes, ofreciendo una nueva perspectiva para la defensa basada en la destilación del conocimiento.
