鲁棒的联邦对比推荐系统抵御模型投毒攻击
信息检索
2024-04-01 v1
摘要
联邦推荐系统（FedRecs）因其隐私保护优势而日益受到关注。然而，当前FedRecs的去中心化和开放特性带来了两个困境。首先，由于每个客户端设备上的数据高度稀疏，FedRecs的性能受到影响。其次，系统鲁棒性因恶意用户发起的模型投毒攻击而受到破坏。在本文中，我们引入了一种新颖的对比学习框架，旨在通过嵌入增强充分利用客户端的稀疏数据，称为CL4FedRec。与之前FedRecs中要求客户端共享其私有参数的对比学习方法不同，我们的CL4FedRec与基本的FedRec学习协议一致，确保与大多数现有FedRec实现的兼容性。然后，我们通过将CL4FedRec置于几种最先进的模型投毒攻击下，评估配备CL4FedRec的FedRecs的鲁棒性。令人惊讶的是，我们的观察表明，对比学习往往会加剧FedRecs对这些攻击的脆弱性。这归因于增强的嵌入均匀性，使得被污染的目标物品嵌入容易接近流行物品。基于这一见解，我们提出了一种增强且鲁棒的CL4FedRec版本（rCL4FedRec），通过引入一个正则化器来保持不同流行度水平的物品嵌入之间的距离。在四个常用推荐数据集上进行的大量实验表明，CL4FedRec显著提升了模型的性能和FedRecs的鲁棒性。
引用
@article{arxiv.2403.20107,
title = {Robust Federated Contrastive Recommender System against Model Poisoning Attack},
author = {Wei Yuan and Chaoqun Yang and Liang Qu and Guanhua Ye and Quoc Viet Hung Nguyen and Hongzhi Yin},
journal= {arXiv preprint arXiv:2403.20107},
year = {2024}
}