Papers with Code · CC BY-SA 4.0

Adversarial Robustness

33 평가 기록 7 datasets

Adversarial Robustness evaluates the vulnerabilities of machine learning models under various types of adversarial attacks.

개요는 각 항목의 일부입니다. 위 탭에서 전체 기록을 페이지별로 탐색할 수 있습니다.

벤치마크

Papers with Code 아카이브의 데이터셋별 기록 예시입니다. 평가 조건과 지표 방향이 검증되지 않아 순위를 의미하지 않습니다.

Dataset기록된 모델 예시MetricPaperCode

AdvGLUE

DeBERTa (single model)

Accuracy: 0.6086

논문 코드

CIFAR-10

Mixed classifier

Attack: AutoAttack: 68.06Accuracy: 95.23Robust Accuracy: 68.06

논문 코드

ImageNet

ResNet-50 (SGD, Cosine)

Accuracy: 77.4

논문 코드

ImageNet-A

DeiT-S (AdamW, Cosine)

Accuracy: 12.2

논문 코드

ImageNet-C

DeiT-S (AdamW, Cosine)

mean Corruption Error (mCE): 48.0

논문 코드

Stylized ImageNet

DeiT-S (AdamW, Cosine)

Accuracy: 13.0

논문 코드

CIFAR-100

Mixed Classifier

Clean Accuracy: 85.21AutoAttacked Accuracy: 38.72

논문 코드

데이터셋

7개

AdvGLUE CIFAR-10 ImageNet ImageNet-A ImageNet-C Stylized ImageNet CIFAR-100

논문

Are Transformers More Robust Than CNNs?

2111.05464 2021-11-10 이 페이지의 평가 10건

Accuracy: 77.4

Enhancing Robust Representation in Adversarial Training: Alignment and Exclusion Criteria

2310.03358 2023-10-05 이 페이지의 평가 1건

Clean Accuracy: 60.10AutoAttacked Accuracy: 35.05

Improving the Accuracy-Robustness Trade-Off of Classifiers via Adaptive Smoothing

2301.12554 2023-01-29 이 페이지의 평가 1건

Clean Accuracy: 85.21AutoAttacked Accuracy: 38.72

라이브러리

Papers with Code 리더보드 row에 연결된 구현 저장소입니다.

github.com/ytongbai/ViTs-vs-CNNs 1 논문

github.com/bai-yt/adaptivesmoothing 1 논문

github.com/changzhang777/ancra 1 논문

github.com/codelion/adaptive-classifier 1 논문