面向鲁棒性的基于漏洞感知的对抗性训练：改进推荐系统的最短垫块

推荐系统在缓解各种领域的信息过载方面发挥着关键作用。然而，这些系统内在的开放性引入了漏洞，允许攻击者将虚假用户插入系统的训练数据中，以倾斜某些物品的曝光，这称为投毒攻击。对抗性训练已成为抵御推荐系统中此类投毒攻击的著名防御机制。现有的对抗性训练方法对所有用户施加相同幅度的扰动，以增强系统对攻击的鲁棒性。然而，实际情况中，我们发现攻击通常仅影响一部分脆弱的用户。这些不成比例的扰动幅度使得在不降低受影响用户推荐质量的前提下，为脆弱用户提供有效保护变得困难。为此，我们的研究深入探讨了用户漏洞性。鉴于投毒攻击会污染训练数据，我们注意到，推荐系统对用户训练数据的拟合程度越高，用户越可能纳入攻击信息，这表明其漏洞性。基于这些见解，我们引入了一种称为Vulnerability-aware Adversarial Training（漏洞感知对抗性训练，简称VAT）的方法，用于推荐系统中的投毒攻击防御。VAT采用一种新颖的漏洞感知函数，根据系统对用户拟合程度来估计用户的漏洞性。受此估计指导，VAT为每个用户施加自适应幅度的扰动，不仅降低了攻击成功率，还保护了甚至可能提升了推荐质量。全面的实验确认VAT在不同推荐模型和各种攻击类型下的卓越防御能力。