针对序列推荐系统的小样本模型提取攻击

在针对序列推荐系统的对抗攻击中，模型提取攻击是一种在无先验知识下攻击序列推荐模型的方法。现有研究主要集中于攻击者通过无数据模型提取执行黑盒攻击。然而，关于攻击者利用少量原始数据（10% 甚至更少）构建代理模型的文献仍存在显著空白。即在少样本数据场景下如何构建具有高功能相似性的代理模型，仍是一个亟待解决的问题。本研究通过引入一种针对序列推荐系统的新型少样本模型提取框架来填补这一空白，该框架旨在利用少样本数据构建更优的代理模型。所提少样本模型提取框架由两部分组成：自回归增强生成策略和双向修复损失促进的模型蒸馏过程。具体而言，为生成接近原始数据分布的合成数据，自回归增强生成策略集成了一个概率交互采样器以提取内在依赖关系，以及一个合成决定信号模块以刻画用户行为模式。随后，针对推荐列表之间差异设计的双向修复损失被用作辅助损失，以纠正代理模型的错误预测，从而有效地将知识从受害模型迁移至代理模型。在三个数据集上的实验表明，所提少样本模型提取框架生成了更优的代理模型。