对文本对抗性样本的研究极少，近期论文归纳如下：
文本对抗三个难点：
- text data是离散数据，multimedia data是连续数据，样本空间不一样；
- 对text data的改动可能导致数据不合法；
- 基于word的改动（替换、增、删）会有语义兼容性的问题；
论文：
Deep Text Classification Can be Fooled 和 Towards Crafting Text Adversarial Samples：
针对文本分类生成对抗样本——对输入文本进行增删改处理，使得文本分类出现分类错误
- 两篇文章都提出：用梯度来度量word对分类的影响程度；
- 第二篇文章还提出可以用后验概率来计算对分类的影响，不过这种方法计算每个word会很耗时；
- 产生同义词候选集用到的词向量，需要经过后处理，在这篇文章中提出：
可以在后处理过的词向量空间中采用KNN等算法，找到N个最接近的同义词
Adversarial Examples for Evaluating Reading Comprehension Systems：
针对QA系统生成对抗样本——对原文paragraph增添句子，让QA系统回答错误
