論文の概要: How Fraudster Detection Contributes to Robust Recommendation

• arxiv url: http://arxiv.org/abs/2211.11534v2
• Date: Tue, 22 Nov 2022 06:58:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-27 13:25:30.005120
• Title: How Fraudster Detection Contributes to Robust Recommendation
• Title（参考訳）: フラッドスター検出がロバスト勧告にどのように貢献するか
• Authors: Yuni Lai, Kai Zhou
• Abstract要約: GraphRfiは、詐欺師検出コンポーネントの監督された性質のため、依然として攻撃に対して脆弱である。 我々は不正検出コンポーネントを再設計することで、新しい堅牢なレコメンデーションシステムPDRを構築する。
• 参考スコア（独自算出の注目度）: 9.446974144044733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The adversarial robustness of recommendation systems under node injection attacks has received considerable research attention. Recently, a robust recommendation system GraphRfi was proposed, and it was shown that GraphRfi could successfully mitigate the effects of injected fake users in the system. Unfortunately, we demonstrate that GraphRfi is still vulnerable to attacks due to the supervised nature of its fraudster detection component. Specifically, we propose a new attack metaC against GraphRfi, and further analyze why GraphRfi fails under such an attack. Based on the insights we obtained from the vulnerability analysis, we build a new robust recommendation system PDR by re-designing the fraudster detection component. Comprehensive experiments show that our defense approach outperforms other benchmark methods under attacks. Overall, our research demonstrates an effective framework of integrating fraudster detection into recommendation to achieve adversarial robustness.
• Abstract（参考訳）: ノードインジェクション攻撃下でのレコメンデーションシステムの敵対的ロバスト性は研究の注目を集めている。 近年、堅牢なレコメンデーションシステムGraphRfiが提案され、GraphRfiがシステム内で注入された偽ユーザの影響を軽減できることが示されている。 残念なことに、GraphRfiは詐欺師検出コンポーネントの監督された性質のため、まだ攻撃に対して脆弱であることを示す。 具体的には,graphrfiに対する新たな攻撃メタコーデックを提案し,このような攻撃においてgraphrfiが失敗した理由をさらに分析する。 脆弱性分析から得られた知見に基づいて,不正検出コンポーネントを再設計し,新たな堅牢なレコメンデーションシステムPDRを構築した。 総合的な実験によって、我々の防御アプローチは攻撃下の他のベンチマークメソッドよりも優れています。 全体として,本研究は,不正者検出をレコメンデーションに組み込む効果的な枠組みを実証する。

関連論文リスト

• A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
  本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。 推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2025-02-18T22:07:36Z)
• Improving the Shortest Plank: Vulnerability-Aware Adversarial Training for Robust Recommender System [60.719158008403376]
  VAT(Vulnerability-aware Adversarial Training)は、レコメンデーションシステムにおける中毒攻撃に対する防御を目的とした訓練である。 VATは、システムの適合度に基づいて、ユーザの脆弱性を推定するために、新たな脆弱性認識機能を採用している。
  論文  参考訳（メタデータ） (2024-09-26T02:24:03Z)
• Identifying Backdoored Graphs in Graph Neural Network Training: An Explanation-Based Approach with Novel Metrics [13.93535590008316]
  グラフニューラルネットワーク(GNN)は多くのドメインで人気を集めているが、バックドア攻撃に弱い。 グラフレベルの説明を創造的に活用する新しい検出法を考案した。 提案手法は, バックドア攻撃に対するGNNの安全性向上に寄与し, 高い検出性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-03-26T22:41:41Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Node-aware Bi-smoothing: Certified Robustness against Graph Injection Attacks [5.660584039688214]
  ディープグラフラーニング(DGL)は、さまざまな分野において重要なテクニックとして登場した。 近年の研究では、脱走や中毒攻撃に対する感受性など、DGLモデルの脆弱性が明らかにされている。 本稿では,GAAに対する一般ノード分類タスクにおいて,最も堅牢なアプローチであるノード認識バイスムーシングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-07T01:24:48Z)
• Unveiling Vulnerabilities of Contrastive Recommender Systems to Poisoning Attacks [48.911832772464145]
  コントラスト学習(CL)は近年,レコメンダシステムの領域で注目されている。 本稿では,CLをベースとしたレコメンデータシステムの脆弱性を明らかにする。
  論文  参考訳（メタデータ） (2023-11-30T04:25:28Z)
• Combating Advanced Persistent Threats: Challenges and Solutions [20.81151411772311]
  先進的な永続的脅威(APT)の台頭は、サイバーセキュリティの重大な課題となっている。 Provenance graphベースのカーネルレベルの監査は、可視性とトレーサビリティを高めるための有望なアプローチとして登場した。 本稿では, ネットワークレベルの分散監査モデルを用いて, 費用対効果の高い攻撃再建を行うことを含む, プロファイナンスグラフを利用した効率的かつ堅牢なAPT防御手法を提案する。
  論文  参考訳（メタデータ） (2023-09-18T05:46:11Z)
• PipAttack: Poisoning Federated Recommender Systems forManipulating Item Promotion [58.870444954499014]
  一般的な実践は、分散化された連邦学習パラダイムの下でレコメンデーターシステムをサブスクライブすることである。 本稿では,対象項目の促進のために,フェデレートされたレコメンデータシステムをバックドア化するための体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-21T06:48:35Z)
• Indicators of Attack Failure: Debugging and Improving Optimization of Adversarial Examples [29.385242714424624]
  機械学習モデルの頑健さを敵の例に評価することは難しい問題である。 我々は、勾配に基づく攻撃の最適化において共通の障害を明らかにするための定量的指標のセットを定義する。 実験により,現在の対向ロバスト性評価を可視化し,デバッグし,改善するために,提案した障害指標が有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-18T06:57:58Z)
• No Need to Know Physics: Resilience of Process-based Model-free Anomaly Detection for Industrial Control Systems [95.54151664013011]
  本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。 トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
  論文  参考訳（メタデータ） (2020-12-07T11:02:44Z)

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。