基于边重加权的对抗鲁棒性防御性协同过滤推荐器
机器学习
2025-12-16 v2 机器学习
摘要
基于用户的协同过滤（CF）依赖于用户-用户相似度图，因而对基于轮廓注入（shilling）攻击而受到威胁，这类攻击通过操纵邻域关系来推广（push）或降低（nuke）目标物品。在本工作中，我们提出了一种基于对抗鲁棒性边重加权防御方法用于 CF。我们首先通过谱对抗鲁棒性评估为每个用户和用户边分配一个非鲁棒性评分，该评分量化了边对对抗扰动的敏感性。随后，通过重新加权预测中的相似度来削弱非鲁棒边的影响。大量实验表明，所提方法有效地防御了各种类型的攻击。
引用
@article{arxiv.2412.10850,
title = {Defending Collaborative Filtering Recommenders via Adversarial Robustness Based Edge Reweighting},
author = {Yongyu Wang},
journal= {arXiv preprint arXiv:2412.10850},
year = {2025}
}