加速推荐系统投毒攻击的代理模型重训练

近期研究表明推荐系统对数据投毒攻击存在脆弱性，攻击者将精心构造的虚假用户交互注入推荐系统的训练数据中，以提升目标物品的推荐优先级。当前攻击方法涉及在投毒数据上迭代重训练代理推荐模型，并利用最新的虚假用户来优化攻击效果。然而，这种重复重训练非常耗时，阻碍了对虚假用户的高效评估与优化。为缓解这一计算瓶颈并在可接受的时间内开发更有效的攻击，我们分析了重训练过程，发现一个用户/物品表示的变化会通过用户-物品交互图产生级联效应。在理论指导下，我们提出了 Gradient Passing（GP），一种新颖技术，在反向传播过程中在交互的用户-物品对之间显式传递梯度，从而近似级联效应并加速重训练。仅需一次更新，GP 即可达到与多次原始训练迭代相当的效果。在相同重训练轮数下，GP 使代理推荐模型更接近受害者模型。这一更精确的近似为优化虚假用户提供了更好的指导，最终提升了数据投毒攻击的效果。在真实数据集上的大量实验证明了我们提出的 GP 方法的效率与有效性。