El aprendizaje automático adversarial explota las vulnerabilidades de los modelos de inteligencia artificial (IA) al inducir distorsiones maliciosas en los datos de entrada. Comenzando con el efecto de los métodos adversariales en los conocidos conjuntos de datos abiertos MNIST y CIFAR-10, este artículo investiga la capacidad de la Aproximación y Proyección de Variedades Uniformes (UMAP) para proporcionar representaciones útiles tanto de imágenes legítimas como maliciosas y analiza el comportamiento de los ataques bajo diversas condiciones. Al permitir la extracción de reglas de decisión y la clasificación de características importantes de clasificadores como los árboles de decisión, la IA Explicable (XAI) logra cero falsos positivos y negativos en la detección a través de reglas muy simples de si-entonces sobre las variables de UMAP. Se informan varios ejemplos para resaltar el comportamiento de los ataques. La declaración de disponibilidad de datos detalla todo el código y los datos que están disponibles públicamente para ofrecer apoyo a la reproducibilidad.