論文の概要: Detect Professional Malicious User with Metric Learning in Recommender Systems

• arxiv url: http://arxiv.org/abs/2205.09673v1
• Date: Thu, 19 May 2022 16:32:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-20 16:47:46.056250
• Title: Detect Professional Malicious User with Metric Learning in Recommender Systems
• Title（参考訳）: レコメンダシステムにおけるメトリクス学習による専門的悪意のあるユーザの検出
• Authors: Yuanbo Xu, Yongjian Yang, En Wang, Fuzhen Zhuang, Hui Xiong
• Abstract要約: 電子商取引では、オンライン小売業者は通常プロの悪意のあるユーザー(PMU)に悩まされている。 専門家のMaliciousユーザ検出にMetric Learningを用いた教師なしマルチモーダル学習モデル(MDD)を提案する。
• 参考スコア（独自算出の注目度）: 39.26521260453495
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In e-commerce, online retailers are usually suffering from professional malicious users (PMUs), who utilize negative reviews and low ratings to their consumed products on purpose to threaten the retailers for illegal profits. Specifically, there are three challenges for PMU detection: 1) professional malicious users do not conduct any abnormal or illegal interactions (they never concurrently leave too many negative reviews and low ratings at the same time), and they conduct masking strategies to disguise themselves. Therefore, conventional outlier detection methods are confused by their masking strategies. 2) the PMU detection model should take both ratings and reviews into consideration, which makes PMU detection a multi-modal problem. 3) there are no datasets with labels for professional malicious users in public, which makes PMU detection an unsupervised learning problem. To this end, we propose an unsupervised multi-modal learning model: MMD, which employs Metric learning for professional Malicious users Detection with both ratings and reviews. MMD first utilizes a modified RNN to project the informational review into a sentiment score, which jointly considers the ratings and reviews. Then professional malicious user profiling (MUP) is proposed to catch the sentiment gap between sentiment scores and ratings. MUP filters the users and builds a candidate PMU set. We apply a metric learning-based clustering to learn a proper metric matrix for PMU detection. Finally, we can utilize this metric and labeled users to detect PMUs. Specifically, we apply the attention mechanism in metric learning to improve the model's performance. The extensive experiments in four datasets demonstrate that our proposed method can solve this unsupervised detection problem. Moreover, the performance of the state-of-the-art recommender models is enhanced by taking MMD as a preprocessing stage.
• Abstract（参考訳）: 電子商取引では、オンライン小売業者は通常プロの悪意のあるユーザー(PMU)に悩まされている。 具体的には、PMU検出には3つの課題がある。 1)プロの悪意のあるユーザーは、異常な、または違法なやりとりは行わず(否定的なレビューと低い評価を同時に残すことは決してない)、偽装するためのマスキング戦略を行う。 したがって、従来の異常検出方法はマスキング戦略によって混乱する。 2) PMU検出モデルでは, 評価とレビューの両方を考慮し, マルチモーダル問題としてPMU検出を行う。 3) プロの悪意のあるユーザを対象としたラベル付きデータセットは公開されていないため, PMU検出は教師なし学習の問題となる。 この目的のために,マルチモーダル学習モデルmmdを提案する。mmdは,評価とレビューの両面で,プロフェッショナルな悪意のあるユーザ検出にメトリック学習を用いる。 MMDはまず、修正されたRNNを使用して、情報レビューを感情スコアに投影し、評価とレビューを共同で検討する。 次に、感情スコアとレーティングの感情ギャップを捉えるために、プロの悪意のあるユーザプロファイル(MUP)を提案する。 MUPはユーザをフィルタリングし、候補のPMUセットを構築する。 pmu検出のための適切なメトリックマトリックスを学ぶために、メトリック学習ベースのクラスタリングを適用する。 最後に、この測定値とラベル付きユーザを用いてPMUを検出する。 具体的には,距離学習における注意機構をモデルの性能向上に適用する。 4つのデータセットにおける広範な実験により,提案手法は教師なし検出問題を解くことができることを示した。 さらに,MDDを前処理段階とすることで,最先端のレコメンデータモデルの性能を向上させる。

関連論文リスト

• The WMDP Benchmark: Measuring and Reducing Malicious Use With Unlearning [87.1610740406279]
  ホワイトハウス人工知能に関する大統領令は、生物、サイバー、化学兵器の開発において悪意あるアクターに力を与える大きな言語モデル(LLM)のリスクを強調している。 現在の評価は非公開であり、リスク軽減のさらなる研究を妨げている。 Weapons of Mass Destruction Proxyベンチマークを公開しています。
  論文  参考訳（メタデータ） (2024-03-05T18:59:35Z)
• SeGA: Preference-Aware Self-Contrastive Learning with Prompts for Anomalous User Detection on Twitter [14.483830120541894]
  本稿では,ユーザの異常検出のための自己コントラスト学習であるSeGAを提案する。 SeGAは、投稿を通じてユーザの好みを要約するために、大きな言語モデルを使用する。 モデル設計と事前学習戦略の有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2023-12-17T05:35:28Z)
• EMShepherd: Detecting Adversarial Samples via Side-channel Leakage [6.868995628617191]
  敵対的攻撃は、ディープラーニングを駆使したクリティカルな応用にとって悲惨な結果をもたらす。 モデル実行の電磁的トレースを捕捉し、トレース上で処理を行い、敵検出に利用するためのフレームワークEMShepherdを提案する。 提案手法は,一般的に使用されているFPGA深層学習アクセラレータ上で,異なる敵攻撃を効果的に検出できることを実証する。
  論文  参考訳（メタデータ） (2023-03-27T19:38:55Z)
• Evaluating Machine Unlearning via Epistemic Uncertainty [78.27542864367821]
  本研究では,不確実性に基づく機械学習アルゴリズムの評価を行う。 これは私たちの最良の知識の一般的な評価の最初の定義です。
  論文  参考訳（メタデータ） (2022-08-23T09:37:31Z)
• Debiasing Learning for Membership Inference Attacks Against Recommender Systems [79.48353547307887]
  学習されたレコメンデータシステムは、トレーニングデータに関する情報を不注意に漏洩させ、プライバシー侵害につながる可能性がある。 我々は,推薦者システムによるプライバシー上の脅威を,会員推定のレンズを通して調査する。 本稿では,4つの主要コンポーネントを持つリコメンダシステム(DL-MIA)フレームワークに対する,メンバシップ推論攻撃に対するバイアス学習を提案する。
  論文  参考訳（メタデータ） (2022-06-24T17:57:34Z)
• Prepare for Trouble and Make it Double. Supervised and Unsupervised Stacking for AnomalyBased Intrusion Detection [4.56877715768796]
  メタラーニングを2層スタックの形で導入し、既知の脅威と未知の脅威の両方を検出する混合アプローチを提案する。 その結果、教師付きアルゴリズムよりもゼロデイ攻撃の検出に効果があり、主要な弱点は限定されているものの、既知の攻撃を検出するのに十分な能力を維持していることがわかった。
  論文  参考訳（メタデータ） (2022-02-28T08:41:32Z)
• Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users' Feedback [62.997667081978825]
  本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。 ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
  論文  参考訳（メタデータ） (2020-09-16T07:32:51Z)
• Robust Spammer Detection by Nash Reinforcement Learning [64.80986064630025]
  我々は,スパマーとスパム検知器が互いに現実的な目標を競うミニマックスゲームを開発する。 提案アルゴリズムは,スパマーが混在するスパマーが実用目標を達成するのを確実に防止できる平衡検出器を確実に見つけることができることを示す。
  論文  参考訳（メタデータ） (2020-06-10T21:18:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。