学習中に直近のepochにおいて計算されたAEsを初期値として用いて、現在のepochにおけるAEsを少ない反復回数で計算するPGDの変化形、Accumulative PGDを提案した。また、Accumulative PGDを使用した、高速なAT手法であるAdversarial Training with Transferable Adversarial examples (ATTA)を提案した。

CIFAR-10ではlinf-PGDに対して、Free ATやYOPOよりも頑健性が高く、学習も高速化している。また、ATTAで学習したモデルはC&Wなど学習には使用されていないモデルに対しても頑健になっていることを確認した。

ATの高速化という課題に対し、既存手法と比較してSoTAの速度と頑健性を持つ手法を提案しているため。