本研究では、強力な（勾配に基づく）ホワイトボックスおよびブラックボックスの adversarial 攻撃に対して、確率的競合に基づく活性化関数、すなわち確率的局所ウィナー・テイク・オール（Stochastic Local Winner-Takes-All, LWTA）の有効性を検証する。特に、Adversarial Training の設定に注目している。本研究では、従来の ReLU を用いた非線形関数の代わりに、局所的に確率的に競合する線形ユニットから構成されるブロックを導入する。これにより、各ネットワーク層の出力は、各ブロック内のウィナー選択の結果に依存してスパースな出力となる。学習および推論には変分ベイズ（Variational Bayesian）フレームワークを採用し、全体的な adversarial のロバスト性を向上させるために、従来の PGD を用いた adversarial training のアプローチを組み込む。実験の結果、本手法により、強力な adversarial 攻撃に対して最先端のロバスト性を達成しつつ、通常の状況下では非常に高い分類精度を維持できることを示した。