論文の概要: Towards Robust Recommender Systems via Triple Cooperative Defense

• arxiv url: http://arxiv.org/abs/2210.13762v1
• Date: Tue, 25 Oct 2022 04:45:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 16:19:14.677261
• Title: Towards Robust Recommender Systems via Triple Cooperative Defense
• Title（参考訳）: 3重協調防衛によるロバストレコメンダシステムに向けて
• Authors: Qingyang Wang, Defu Lian, Chenwang Wu, and Enhong Chen
• Abstract要約: レコメンダシステムは、よく作られた偽のプロフィールに影響を受けやすいことが多く、バイアスのあるレコメンデーションにつながる。 本稿では,3つのモデルの協調学習によるモデルロバスト性向上に協力する汎用フレームワークであるトリプル協調防衛を提案する。 その結果,TCDの堅牢性向上はベースラインを著しく上回ることがわかった。
• 参考スコア（独自算出の注目度）: 63.64651805384898
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems are often susceptible to well-crafted fake profiles, leading to biased recommendations. The wide application of recommender systems makes studying the defense against attack necessary. Among existing defense methods, data-processing-based methods inevitably exclude normal samples, while model-based methods struggle to enjoy both generalization and robustness. Considering the above limitations, we suggest integrating data processing and robust model and propose a general framework, Triple Cooperative Defense (TCD), which cooperates to improve model robustness through the co-training of three models. Specifically, in each round of training, we sequentially use the high-confidence prediction ratings (consistent ratings) of any two models as auxiliary training data for the remaining model, and the three models cooperatively improve recommendation robustness. Notably, TCD adds pseudo label data instead of deleting abnormal data, which avoids the cleaning of normal data, and the cooperative training of the three models is also beneficial to model generalization. Through extensive experiments with five poisoning attacks on three real-world datasets, the results show that the robustness improvement of TCD significantly outperforms baselines. It is worth mentioning that TCD is also beneficial for model generalizations.
• Abstract（参考訳）: レコメンダシステムはよく造られた偽のプロファイルに影響を受けやすく、偏りのあるレコメンデーションに繋がる。 推薦システムの幅広い適用により、攻撃に対する防御の研究が必要とされる。 既存の防御手法のうち、データ処理ベースのメソッドは必然的に通常のサンプルを除外するが、モデルベースのメソッドは一般化と堅牢性の両方を楽しむのに苦労している。 以上の制約を考慮し,データ処理とロバストモデルの統合を提案し,3つのモデルの協調学習によるモデルロバスト性向上に協力する汎用フレームワークであるトリプル協調防衛(TCD)を提案する。 具体的には,各トレーニングラウンドにおいて,各モデルの高信頼予測評価(一貫性評価)を,残りのモデルの補助訓練データとして順次使用し,3つのモデルが協調して推奨ロバスト性を向上させる。 特にTDは、通常のデータのクリーニングを回避し、異常データを削除せずに擬似ラベルデータを追加し、3つのモデルの協調トレーニングはモデルの一般化にも有用である。 実世界の3つのデータセットに対する5つの中毒攻撃による広範囲な実験により、TCDの堅牢性の改善はベースラインを著しく上回ることを示した。 TCDはモデル一般化にも有用である点に注意が必要だ。

関連論文リスト

• Few-shot Model Extraction Attacks against Sequential Recommender Systems [2.372285091200233]
  本研究では、シーケンシャルレコメンデータに対する新しい数ショットモデル抽出フレームワークを提案する。 数ショットデータを利用して優れたサロゲートモデルを構築するように設計されている。 3つのデータセットの実験により、提案された数ショットモデル抽出フレームワークが優れたサロゲートモデルを生成することが示された。
  論文  参考訳（メタデータ） (2024-11-18T15:57:14Z)
• Adversarial Robustness of Distilled and Pruned Deep Learning-based Wireless Classifiers [0.8348593305367524]
  無線信号の自動変調分類(AMC)のためのディープラーニング技術は、敵攻撃に対して脆弱である。 これはDLベースの無線システム、特にAMCのエッジアプリケーションに深刻なセキュリティ上の脅威をもたらす。 我々は、敵攻撃に対して堅牢な最適化DLモデルを開発する際の共同問題に対処する。
  論文  参考訳（メタデータ） (2024-04-11T06:15:01Z)
• Securing Recommender System via Cooperative Training [78.97620275467733]
  本稿では,データを相互に強化する3つの協調モデルを用いたTCD(Triple Cooperative Defense)を提案する。 既存の攻撃が二段階最適化と効率のバランスをとるのに苦労していることを考えると、リコメンダシステムにおける毒殺攻撃を再考する。 我々はゲームベースのコトレーニングアタック(GCoAttack)を提案し,提案したCoAttackとTCDをゲーム理論のプロセスとする。
  論文  参考訳（メタデータ） (2024-01-23T12:07:20Z)
• Training-based Model Refinement and Representation Disagreement for Semi-Supervised Object Detection [8.096382537967637]
  半教師付き物体検出(SSOD)は、既存の物体検出器の性能と一般化を改善することを目的としている。 近年のSSOD法は, 古典的指数移動平均 (EMA) 戦略を用いて, モデル改良の不十分さが問題となっている。 本稿では,新しいトレーニングベースモデル改良段階と,シンプルで効果的な表現不一致(RD)戦略を提案する。
  論文  参考訳（メタデータ） (2023-07-25T18:26:22Z)
• Towards More Robust and Accurate Sequential Recommendation with Cascade-guided Adversarial Training [54.56998723843911]
  シーケンシャルレコメンデーションモデルの性質に特有の2つの特性は、その堅牢性を損なう可能性がある。 本稿では,シーケンシャルレコメンデーションモデルに特化して設計された,新たな逆行訓練法であるカスケード誘導逆行訓練を提案する。
  論文  参考訳（メタデータ） (2023-04-11T20:55:02Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• Are Sample-Efficient NLP Models More Robust? [90.54786862811183]
  サンプル効率(所定のID精度に到達するために必要なデータ量)とロバスト性(OOD評価モデルの評価方法)の関係について検討する。 高いサンプル効率は、いくつかのモデリング介入やタスクにおいて、より平均的なOODロバスト性にのみ相関するが、それ以外は相関しない。 これらの結果から,サンプル効率向上のための汎用手法は,データセットとタスクに依存した汎用的なOODロバスト性向上をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2022-10-12T17:54:59Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)

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。