以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Adversarial training is often plagued by "pseudo-attacks", perturbations that significantly increase the loss value but fail to truly alter the model's confidence structure. To address this, we propose two complementary approaches to directly attack and defend against confidence structure deformation. First, building u
阅读原文 · Chenlong Wei, Hanling Wang, Chong Zhang, Qinkai Yu, Fangyu Wu, Xiaobo Jin
向阳乔木 · opencode-go/deepseek-v4.1-flash
对抗训练里有个长期被含糊带过的问题：很多所谓“对抗样本”，其实只是把 loss 推高了，模型给出的置信度结构并没有真的被搅乱。论文把这类扰动叫 pseudo-attacks（伪攻击） ，听上去像个小毛病，但它直接关系到对抗训练到底在防什么。 这篇论文的野心不小：它想从损失最大化和置信度分布的几何结构两个角度，重新定义“什么样的扰动才算有效攻击”，再据此改造对...