关于公平鲁棒推荐系统设计的攻击与防御探讨
信息检索
2022-10-17 v1 人工智能
摘要
随着大数据时代的到来，互联网与移动端信息呈爆炸式增长。特别是，推荐系统被广泛用于帮助在海量信息中难以挑选最优产品的消费者。然而，推荐系统易受恶意用户偏差的影响，例如推广或贬低特定产品的虚假评论，以及窃取个人信息的攻击。此类偏差与攻击通过扭曲数据损害推荐模型的公平性并侵犯用户与系统的隐私。近来，深度学习协同过滤推荐系统被证明更易受此类偏差影响。在本立场论文中，我们审视导致各类伦理与社会问题的偏差效应，并探讨设计面向公平与稳定的鲁棒推荐系统的必要性。
引用
@article{arxiv.2210.07817,
title = {Discussion about Attacks and Defenses for Fair and Robust Recommendation System Design},
author = {Mirae Kim and Simon Woo},
journal= {arXiv preprint arXiv:2210.07817},
year = {2022}
}