通过协同训练保护推荐系统

推荐系统通常容易受到精心构造的虚假档案的攻击，导致推荐产生偏差。在现有的防御方法中，基于数据处理的方法不可避免地排除了正常样本，而基于模型的方法难以兼顾泛化性和鲁棒性。为此，我们建议将数据处理与鲁棒模型相结合，提出一个通用框架——三重协同防御，该框架采用三个协同模型相互增强数据，从而提高推荐鲁棒性。此外，考虑到现有攻击难以平衡双层优化和效率，我们重新审视了推荐系统中的投毒攻击，并引入了一种高效的攻击策略——协同训练攻击，该策略协同优化攻击优化和模型训练，在保持攻击效率的同时考虑了双层设置。而且，我们揭示了现有攻击威胁不足的一个潜在原因，即它们默认在无防御场景下优化攻击。这种过于乐观的设定限制了攻击的潜力。因此，我们提出了一种基于博弈的协同训练攻击，将所提出的 CoAttack 和 TCD 构建为一个博弈论过程，在攻防协同训练中充分探索 CoAttack 的攻击潜力。在三个真实数据集上的大量实验证明了 TCD 在增强模型鲁棒性方面的优越性。此外，我们验证了所提出的两种攻击策略显著优于现有攻击，其中基于博弈的 GCoAttack 比 CoAttack 构成了更大的投毒威胁。