通过色散潜在扩散实现可控且隐形的噪声攻击
机器学习
2025-08-05 v1 人工智能
信息检索
摘要
推荐系统（RS）已成为众多在线平台的核心组成部分，但其对用户贡献数据的依赖使其易受噪声攻击的威胁，后者可通过注入假用户来操控物品排名。尽管此类攻击已受到广泛研究，但大多数现有攻击模型无法同时实现两个关键目标：在保持真实行为的同时实现对目标物品的强有针对性的推广。因此，对能够同时实现这两个目标的噪声威胁严重性尚未得到充分认识。为揭示这一被忽视的漏洞，我们提出了 DLDA（Dispersive Latent Diffusion Attack）框架，通过在目标推广上实现精细控制，生成高度有效且无法区分的假用户。具体而言，DLDA 在预对齐的协同嵌入空间中运作，利用条件潜在扩散过程迭代合成具有精确目标物品控制的假用户轮廓。为规避检测，DLDA 引入一种色散正则化机制，以促进生成行为模式的变异性和真实性。在三个真实数据集和五个流行的 RS 模型上进行的广泛实验表明，与现有攻击方法相比，DLDA 在保持更难检测的同时，始终实现更强的物品推广。这些结果表明，现代 RS 的脆弱性已超过以前的认识，凸显了亟需更稳健防御的紧迫性。
关键词
引用
@article{arxiv.2508.01987,
title = {Controllable and Stealthy Shilling Attacks via Dispersive Latent Diffusion},
author = {Shutong Qiao and Wei Yuan and Junliang Yu and Tong Chen and Quoc Viet Hung Nguyen and Hongzhi Yin},
journal= {arXiv preprint arXiv:2508.01987},
year = {2025}
}