Ein Adversarial Network ist eine Implementierung eines generativen Adversarial Network, das zum stapelweisen Generieren von Adversarial Samples für ein bestimmtes neuronales Netzwerkmodell verwendet wird.

Ein gut trainiertes GAN kann effektiv eine große Anzahl unterschiedlicher gegnerischer Beispiele generieren. Dies kann von einem Angreifer verwendet werden, um Angriffe zu generieren, die sich von vorherigen Angriffen unterscheiden. Verteidiger können jedoch auch gekennzeichnete negative Eingaben generieren, um das Training ihrer Klassifikatoren zu verbessern.

Anfang 2018 wurde es von Forschern der Carnegie Mellon University und der University of North Carolina in Chapel Hill vorgeschlagen.