← Adversarial Defense

Papers with Code · CC BY-SA 4.0

CIFAR-10

원본 설명은 검수 중입니다.

아카이브 평가 8건 · 마지막 적재/변경 2026-10-30

원본 데이터셋 링크 1

평가 기록

과거 수집 기록이며 최신 순위가 아닙니다. 데이터셋 버전·split·실험 조건과 지표 방향이 검증되지 않은 결과는 직접 비교할 수 없습니다. 날짜는 논문 날짜이며 최신 평가일을 뜻하지 않습니다.

표가 화면보다 넓으면 좌우로 스크롤하여 논문과 구현 링크를 확인하세요.

원본 기록 순서 · 순위 미부여
모델	원본 지표·값	논문	구현
WRN-28-10	Accuracy 90.03 Robust Accuracy 71.68	Language Guided Adversarial Purification 2023-09-19	코드 1
Diffusion Classifier	Accuracy 89.85 Robust Accuracy 75.67	Robust Classification via a Single Diffusion Model 2023-05-24	코드 1 · 코드 2 · 코드 3
Stochastic-LWTA/PGD/WideResNet-34-10	Accuracy 84.3 Attack: AutoAttack 82.6	Stochastic Local Winner-Takes-All Networks Enable Profound Adversarial Robustness 2021-12-05	코드 1
Ours (Stochastic-LWTA/PGD/WideResNet-34-5)	Accuracy 83.4	Stochastic Local Winner-Takes-All Networks Enable Profound Adversarial Robustness 2021-12-05	코드 1
Ours (Stochastic-LWTA/PGD/WideResNet-34-1)	Accuracy 81.87 Attack: AutoAttack 74.71	Stochastic Local Winner-Takes-All Networks Enable Profound Adversarial Robustness 2021-12-05	코드 1
ResNet18 (TRADES-ANCRA/PGD-40)	Accuracy 81.70 Attack: AutoAttack 59.70 Robust Accuracy 82.96	Enhancing Robust Representation in Adversarial Training: Alignment and Exclusion Criteria 2023-10-05	코드 1
PCL (against PGD, white box)	Accuracy 46.7	Adversarial Defense by Restricting the Hidden Space of Deep Neural Networks 2019-04-01	코드 1
Stochastic-LWTA/PGD/WideResNet-34-5	Attack: AutoAttack 81.22	Stochastic Local Winner-Takes-All Networks Enable Profound Adversarial Robustness 2021-12-05	코드 1