Adversarial Learning, auch bekannt als gegnerisches Lernen, ist ein Ansatz des maschinellen Lernens, der darauf abzielt, Modelle gegen potenzielle Angriffe und Störungen zu schützen. Hierbei werden künstlich erzeugte Daten oder Signale in das Trainingsdatenset eingefügt, um die Robustheit des Modells zu testen. Das Ziel ist, das Modell so zu verbessern, dass es nicht nur auf den Originaldaten, sondern auch auf veränderten oder manipulierten Daten gut funktioniert. Adversarial Learning wird häufig bei der Entwicklung von Modellen für Anwendungen der Bilderkennung und natürlichen Sprachverarbeitung eingesetzt, um beispielsweise gegen Bild- oder Sprachmanipulationen zu schützen.