Vastupanuõpe on masinõppe lähenemine, mille eesmärk on suurendada mudeli vastupidavust, varustades selle võimega kaitsta end rünnakute eest. See on andmete suurendamise vorm, mis lisab treeninguandmetesse kunstliku müra. Sellist müra võib tekitada algoritmide abil või lihtsalt sisendproovidele väikeste häirete lisamisega.
Vastase treeningu eesmärk on muuta mudeli jõudlus vastupidavamaks teatud tüüpi rünnakute suhtes. Näiteks väikeste häirete lisamine sisendandmetele võib muuta mudeli vähem tundlikuks teatud tüüpi rünnakute suhtes. See on põhimõtteliselt sarnane regulariseerimise kontseptsiooniga, mille puhul mudelit treenitakse nii, et see sõltuks vähem konkreetsetest tunnustest.
Vastuoluline treening võib aidata vähendada liigse kohandamise ohtu, kuna mürarikkad andmed julgustavad mudelit tõhusamalt üldistama. Seda saab kasutada ka mudeli täpsuse suurendamiseks uutel andmekogumitel, kuna vastupidavus rünnakute suhtes parandab selle jõudlust.
Vastase väljaõpe võib aidata parandada ka mudeli enda turvalisust, kuna see on teatud rünnakute suhtes vastupidavam. See muudab selle vähem haavatavaks näiteks treeninguandmete manipuleerimise või mürgitamise suhtes, mis võib põhjustada halba tulemuslikkust.
Vastulausekoolitust kasutatakse tavaliselt süvaõppemudelite jõudluse ja turvalisuse suurendamiseks. Seda on kasutatud küberturvalisuse andmepõhiste lähenemisviiside, näiteks anomaaliate tuvastamise ja võrku tungimise tõkestamise täpsuse ja töökindluse suurendamiseks.