防止基于流行物品嵌入的联邦推荐攻击

隐私关注导致了联邦推荐系统（FRS）的兴起，这些系统可在分布式客户端之间创建个性化模型。然而，FRS 容易受到投毒攻击的威胁，恶意用户会操纵梯度来有意推广其目标物品。现有针对 FRS 的攻击存在局限性，因其依赖特定模型和先验知识，限制了其实际应用范围。在探索实际 FRS 漏洞时，我们设计了一种模型无关且无需先验知识的攻击，称为 PIECK（基于流行物品嵌入的攻击）。PIECK 的核心模块是流行物品挖掘，它利用 FRS 训练期间嵌入变化来有效识别流行物品。基于核心模块，PIECK 分为两种不同解决方案：PIECKIPE 解决方案采用流行物品增强模块，该模块将目标物品的嵌入与挖掘的流行物品对齐，以增加物品曝光。PIECKUEA 进一步通过采用用户嵌入近似模块来增强攻击的鲁棒性，该模块利用挖掘的流行物品来近似私有用户嵌入。识别 PIECK 后，我们评估了现有的联邦防御方法，发现其对 PIECK 无效，因为投毒梯度不可避免地压倒冷门目标物品。我们随后提出一种新型防御方法，通过在用户训练期引入两个正则化项来实现，这些正则化项约束了物品增强和用户嵌入近似，同时保持 FRS 的性能。我们在两个基模型、三个真实数据集、四种顶级攻击和六种通用防御方法上评估了 PIECK 及其防御，确认了 PIECK 及其防御的有效性。