通过学习生成伪造用户画像来攻击黑盒推荐系统
信息检索
2022-06-24 v1 密码学与安全
机器学习
摘要
由于推荐系统（RS）在引导客户购买方面的关键作用，不诚实的一方自然有动机为了利益而欺骗RS。在本文中，我们研究填充攻击（Shilling Attack），即对抗方为不正当目的注入若干伪造用户画像。传统的填充攻击方法缺乏攻击可迁移性（即攻击在某些受害RS模型上无效）和/或攻击不可见性（即注入的画像易被检测）。为克服这些问题，我们提出Leg-UP，一种基于生成对抗网络（GAN）的新型攻击模型。Leg-UP从采样的“模板”中的真实用户学习用户行为模式并构造伪造用户画像。为模拟真实用户，Leg-UP中的生成器直接输出离散评分。为增强攻击可迁移性，生成器的参数通过最大化在代理RS模型上的攻击性能来优化。为提高攻击不可见性，Leg-UP采用判别器引导生成器生成不可检测的伪造用户画像。在基准上的实验表明，Leg-UP在广泛的受害RS模型上超越了最先进的填充攻击方法。我们的工作源代码可在 https://github.com/XMUDM/ShillingAttack 获取。
引用
@article{arxiv.2206.11433,
title = {Shilling Black-box Recommender Systems by Learning to Generate Fake User Profiles},
author = {Chen Lin and Si Chen and Meifang Zeng and Sheng Zhang and Min Gao and Hui Li},
journal= {arXiv preprint arXiv:2206.11433},
year = {2022}
}
备注
Accepted by TNNLS. 15 pages, 8 figures