针对推荐系统的融合评论的模型无关画像注入攻击
密码学与安全
2024-02-15 v1 人工智能
摘要
最近的研究表明，推荐系统（RS）极易受到数据投毒攻击。理解攻击策略有助于提高 RS 的鲁棒性。我们旨在开发高效的攻击方法，利用有限资源生成高质量的虚假用户画像，以实现 1) 在黑盒 RS 之间的可迁移性 2) 以及在检测器中的隐蔽性。为了实现这些目标，我们引入产品的文本评论来增强画像的生成质量。具体来说，我们提出了一种名为 R-Trojan 的新型攻击框架，它将攻击目标形式化为一个优化问题，并采用一个定制的基于 Transformer 的生成对抗网络（GAN）来解决它，从而生成高质量的攻击画像。在真实世界数据集上的综合实验表明，R-Trojan 在黑盒设置下，对各种受害 RS 的攻击效果大大优于最先进的攻击方法，并显示出良好的隐蔽性。
引用
@article{arxiv.2402.09023,
title = {Review-Incorporated Model-Agnostic Profile Injection Attacks on Recommender Systems},
author = {Shiyi Yang and Lina Yao and Chen Wang and Xiwei Xu and Liming Zhu},
journal= {arXiv preprint arXiv:2402.09023},
year = {2024}
}
备注
Accepted by ICDM 2023