在线排序学习的无观测攻击
机器学习
2025-12-04 v4 人工智能
摘要
在线排序学习（Online Learning to Rank, OLTR）在信息检索和机器学习系统中扮演着关键角色，广泛应用于搜索引擎和内容推荐器。然而，尽管被广泛采用，OLTR 算法对协同对抗攻击的敏感性仍知之甚少。在本工作中，我们提出了一个新颖的框架，用于攻击一些广泛使用的 OLTR 算法。我们的框架旨在提升一组目标项目，使其在 轮次中出现在 top-K 推荐列表中，同时在学习算法中诱导线性遗憾。我们提出了两种新颖的攻击策略：针对 CascadeUCB1 的 CascadeOFA 和针对 PBM-UCB 的 PBMOFA。我们提供了理论保证，表明两种策略仅需 次操纵即可成功。此外，我们用真实世界数据上的实证结果补充了理论分析。
引用
@article{arxiv.2509.22855,
title = {Observation-Free Attacks on Online Learning to Rank},
author = {Sameep Chattopadhyay and Nikhil Karamchandani and Sharayu Moharir},
journal= {arXiv preprint arXiv:2509.22855},
year = {2025}
}