揭示对比推荐系统对投毒攻击的脆弱性

对比学习（CL）近期因其在提升推荐精度与改善模型鲁棒性方面的出色能力，在推荐系统领域获得瞩目。尽管有其优势，本文指出基于 CL 的推荐系统存在一项脆弱性：它们更易受到旨在推广特定物品的投毒攻击。我们的分析表明，该脆弱性归因于 InfoNCE 损失引起的表示均匀扩散。此外，理论与实证证据表明，优化该损失有利于表示的平滑谱值。这一发现表明，攻击者可通过促使谱值更均匀分布来助长 CL 的此优化过程，从而增强表示离散程度。基于这些见解，我们试图揭示一种针对基于 CL 的推荐系统的潜在投毒攻击，其包含一个双目标框架：一者诱导更平滑的谱值分布以放大 InfoNCE 损失的固有扩散效应，称为扩散促进；另一者直接提升目标物品的可见性，称为排名促进。我们在四个数据集上通过大量实验验证了攻击模型的威胁。通过揭示这些脆弱性，我们旨在推动更鲁棒的基于 CL 的推荐系统的发展。代码见 \url{https://github.com/CoderWZW/ARLib}。