无影子成员推理攻击：推荐系统比你想象的更脆弱

推荐系统已成功应用于许多场景。尽管如此，最近的研究表明，推荐系统容易受到成员推理攻击的影响，导致用户成员隐私泄露。然而，当攻击者缺乏关于目标推荐系统的训练数据分布和模型架构的知识时，依赖影子训练的现有成员推理攻击性能会大幅下降。为了更好地理解推荐系统的隐私风险，我们提出了无影子成员推理攻击，直接利用用户的推荐结果进行成员推理。无需影子训练，所提出的攻击可以在攻击者仅获得对目标推荐系统的黑盒访问权限的实际场景下，高效且有效地进行成员推理攻击。所提出的攻击利用了这样一个直觉：如果推荐系统使用了用户的历史交互数据，它就会个性化该用户的推荐结果。因此，攻击者可以通过判断推荐结果是与交互数据更相似，还是与普遍流行的物品更相似，来推断成员隐私。我们在各种推荐系统的基准数据集上进行了广泛的实验。值得注意的是，与基线相比，我们的攻击在具有低误报率的同时取得了更好的攻击准确率，且计算成本要低得多。