在推荐系统中平衡微弱与强烈的毒性攻击：一个简单的多项式扩散模型

《ACM Transactions on Information Systems》：Balancing Imperceptible and Aggressive Poisoning Attack for Recommender Systems: A Simple Multinomial Diffusion Model

在线平台推荐系统的开放性易受数据投毒攻击，现有方法在隐蔽性和攻击性上难以平衡。本文提出MDPAttack方法，通过多变量扩散模型（MDM）降低信息损失提升隐蔽性，结合影响力函数与FGSM迭代优化攻击性，实验表明其效果优于现有方法。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

在线平台的开放性使得推荐系统（RSs）容易受到数据投毒攻击的影响，即恶意用户资料被注入训练数据集中，从而扭曲推荐结果。然而，现有的投毒攻击方法往往难以在隐蔽性和攻击性之间达到最佳平衡。为了解决这个问题，我们提出了一种新的针对推荐系统的投毒攻击方法，称为 MDPAttack，该方法包含三个关键模块，每个模块都专注于隐蔽性和攻击性。具体来说，我们首先训练一个多项式扩散模型（MDM）来处理离散评分数据，有效减少数据处理过程中的信息损失，从而提高生成资料的隐蔽性。然后，我们将影响函数与快速梯度符号法（FGSM）结合使用，通过利用模板资料来逐步提高投毒资料的攻击性。最后，这两个特性在 MDPAttack 框架内无缝集成。在经典和现代基于深度学习的推荐系统上的广泛实验表明，MDPAttack 生成的资料具有很高的隐蔽性，同时保持了与最先进方法相当的攻击性能。

AI 摘要

AI 生成的摘要（实验性)

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现研究内容、评估其相关性，并协助来自相关研究领域的读者理解该研究。它旨在补充作者提供的摘要，后者仍是论文的正式摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由 AI 生成的通俗语言摘要，您必须具有高级访问权限。