本研究从理论角度分析了对抗攻击的逻辑差异，并提出了Adversarial Logit Update (ALU)原则，用于推断对抗样本的标签。通过预净化和后净化的逻辑差异，提高模型的对抗鲁棒性。实验证明，该解决方案在多个数据集上具有卓越的鲁棒性能。

本文从理论的角度分析了对抗攻击周围的逻辑差异，并提出了一种新的原则，即 Adversarial Logit Update (ALU)，用于推断对抗样本的标签。基于ALU，引入了一种新的分类范式，利用预净化和后净化的逻辑差异来提高模型的对抗鲁棒性。实验证明，该解决方案在CIFAR-10、CIFAR-100和tiny-ImageNet数据集上具有卓越的鲁棒性能。