针对随机点击模型下在线排序学习的对抗攻击
机器学习
2023-05-31 v1 密码学与安全
摘要
我们提出首个针对在线排序学习（online learning to rank, OLTR）的对抗攻击研究。攻击者的目标是以亚线性攻击代价误导在线排序学习算法，使其在时间范围 内将目标物品以线性次数置于排序列表顶端。我们提出扰动呈现给用户排序列表的广义列表投毒攻击。该策略可在一般随机点击模型下高效攻击任何无遗憾排序器。此外，我们提出一种基于点击投毒的策略，称为攻击后退出（attack-then-quit），可高效攻击随机点击模型下两种代表性 OLTR 算法。我们从理论上分析了两种所提方法的成功与代价上界。基于合成与真实世界数据的实验结果进一步验证了所提攻击策略的有效性与代价效率。
引用
@article{arxiv.2305.19218,
title = {Adversarial Attacks on Online Learning to Rank with Stochastic Click Models},
author = {Zichen Wang and Rishab Balasubramanian and Hui Yuan and Chenyu Song and Mengdi Wang and Huazheng Wang},
journal= {arXiv preprint arXiv:2305.19218},
year = {2023}
}