准备好应对推荐系统的新兴威胁了吗？一种基于图卷积的生成式托攻击
机器学习
2021-07-23 v1 密码学与安全
信息检索
社会与信息网络
摘要
为探索推荐系统的鲁棒性，研究者已提出多种托攻击（shilling attack）模型并分析其不利影响。原始攻击因简单的手工规则而高度可行但效果较弱，而升级版攻击因需要更多推荐知识而更强力但成本高且难以部署。本文探索一种称为基于图卷积的生成式托攻击（GOAT）的新型托攻击，以平衡攻击的可行性与有效性。GOAT 采用原始攻击通过采样为假用户分配物品的范式，以及升级攻击通过基于深度学习的模型生成虚假评分的范式。其部署一个生成对抗网络（GAN）学习真实评分分布以生成虚假评分。此外，生成器结合一种定制的图卷积结构，利用共评物品间的相关性平滑虚假评分并增强其真实性。在两份公开数据集上的大量实验从多视角评估了 GOAT 的性能。我们对 GOAT 的研究展示了以大幅降低的成本构建更强大且智能的攻击模型的技术可行性，能够分析此类攻击的威胁并为指导研究必要的预防措施提供依据。
关键词
引用
@article{arxiv.2107.10457,
title = {Ready for Emerging Threats to Recommender Systems? A Graph Convolution-based Generative Shilling Attack},
author = {Fan Wu and Min Gao and Junliang Yu and Zongwei Wang and Kecheng Liu and Xu Wange},
journal= {arXiv preprint arXiv:2107.10457},
year = {2021}
}
备注
16 pages, 21 figures, Information Sciences - Journal - Elsevier