针对成对比较估计的投毒攻击

随着成对排序被广泛用于选举、体育竞赛、推荐等场景，攻击者有着强烈的动机与激励去操纵排序列表。他们可能向训练数据中注入恶意比较以欺骗受害者。这种技术在回归与分类任务中被称为投毒攻击。本文中，据我们所知，我们首次对成对排序算法上的数据投毒攻击进行了系统性研究，其可形式化为排序者与攻击者之间的动态与静态博弈，并可建模为某些类型的整数规划问题。为突破底层整数规划问题的计算障碍，我们将其重新表述为分布鲁棒优化（DRO）问题，后者在计算上易处理。基于此类 DRO 表述，我们提出了两种高效的投毒攻击算法，并建立了相应的理论保证。所提投毒攻击策略的有效性通过一系列玩具仿真与若干真实数据实验得以证明。这些实验结果表明，所提方法能显著降低排序者的性能，表现为真实排序列表与聚合结果之间的相关性可急剧下降。