①VQAデータセットの新たなデータ拡張手法を提案，セマンティック情報を保持しながらの画像・質問両方から拡張を行っている；②Adversarial examplesにロバストな従来のVQA手法に適応できるAdversarial Training仕組みを提案；③結果的に、提案手法を従来のVQA手法に適応することで、精度・Adversarial Attackに対してのロバスト性両方から改善できた．

VQAv2データセットで65.16%の精度を達成し，Adversarial Trainingを用いない場合より1.84%向上できた．更に，Adversarial examplesに対してのロバスト性を向上し，従来手法より21.55%向上できた．

Adversarial examplesをVQAタスクに導入する研究が従来少なかった．