論文の概要: Robust Recommender System: A Survey and Future Directions
- arxiv url: http://arxiv.org/abs/2309.02057v2
- Date: Tue, 01 Apr 2025 07:33:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-02 14:11:09.532883
- Title: Robust Recommender System: A Survey and Future Directions
- Title（参考訳）: ロバストレコメンダシステム:調査と今後の方向性
- Authors: Kaike Zhang, Qi Cao, Fei Sun, Yunfan Wu, Shuchang Tao, Huawei Shen, Xueqi Cheng,
- Abstract要約: まず,悪質な攻撃や自然騒音に耐える現在の手法を整理するための分類法を提案する。
次に、不正検出、敵の訓練、悪意のある攻撃から守るための確実な堅牢な訓練など、各カテゴリにおける最先端の手法を検討する。
さまざまなレコメンデーションシナリオの堅牢性や,正確性や解釈可能性,プライバシ,公正性といった他の特性との相互作用について論じる。
- 参考スコア（独自算出の注目度）: 58.87305602959857
- License:
- Abstract: With the rapid growth of information, recommender systems have become integral for providing personalized suggestions and overcoming information overload. However, their practical deployment often encounters ``dirty'' data, where noise or malicious information can lead to abnormal recommendations. Research on improving recommender systems' robustness against such dirty data has thus gained significant attention. This survey provides a comprehensive review of recent work on recommender systems' robustness. We first present a taxonomy to organize current techniques for withstanding malicious attacks and natural noise. We then explore state-of-the-art methods in each category, including fraudster detection, adversarial training, certifiable robust training for defending against malicious attacks, and regularization, purification, self-supervised learning for defending against malicious attacks. Additionally, we summarize evaluation metrics and commonly used datasets for assessing robustness. We discuss robustness across varying recommendation scenarios and its interplay with other properties like accuracy, interpretability, privacy, and fairness. Finally, we delve into open issues and future research directions in this emerging field. Our goal is to provide readers with a comprehensive understanding of robust recommender systems and to identify key pathways for future research and development. To facilitate ongoing exploration, we maintain a continuously updated GitHub repository with related research: https://github.com/Kaike-Zhang/Robust-Recommender-System.
- Abstract（参考訳）: 情報の急速な成長に伴い、パーソナライズされた提案を提供し、情報の過負荷を克服する上で、レコメンダシステムは不可欠なものになっている。
しかしながら、その実践的なデプロイメントは、ノイズや悪意のある情報が異常なレコメンデーションにつながる、‘dirty’のデータに遭遇することが多い。
このような汚いデータに対するレコメンダシステムの堅牢性向上に関する研究が注目されている。
この調査は、リコメンダシステムの堅牢性に関する最近の研究の包括的なレビューを提供する。
まず,悪質な攻撃や自然騒音に耐える現在の手法を整理するための分類法を提案する。
次に、不正検出、敵対的訓練、悪意のある攻撃に対する防御のための証明可能な堅牢な訓練、正規化、浄化、悪意のある攻撃に対する防御のための自己監督学習など、各カテゴリにおける最先端の手法について検討する。
さらに、ロバスト性を評価するために、評価指標と一般的に使用されるデータセットを要約する。
さまざまなレコメンデーションシナリオの堅牢性や,正確性や解釈可能性,プライバシ,公正性といった他の特性との相互作用について論じる。
最後に、この新興分野におけるオープンな問題と今後の研究方向性について検討する。
我々のゴールは、読者に堅牢なレコメンデータシステムの総合的な理解を提供し、将来の研究開発の鍵となる経路を特定することである。
調査の継続を容易にするため、私たちは、関連する調査とともに、継続的に更新されたGitHubリポジトリを維持しています。
関連論文リスト
- Towards Robust Recommendation: A Review and an Adversarial Robustness Evaluation Library [27.50051402580845]
本稿では,レコメンデータシステムの堅牢性について概観する。
本研究では,レコメンダシステムのロバスト性を,対角的ロバストネスと非対角的ロバストネスに分類する。
本稿では,レコメンデータシステムの堅牢性と今後の研究方向性について論じる。
論文 参考訳（メタデータ） (2024-04-27T09:44:56Z) - Optimal Zero-Shot Detector for Multi-Armed Attacks [30.906457338347447]
本稿では,悪意あるアクターが多武器攻撃戦略を用いてデータサンプルを操作するシナリオについて考察する。
私たちの中心的な目的は、入力の変更を検出してデータを保護することです。
我々はこれらの検出器による決定を最適に集約する革新的な情報理論防衛手法を導出する。
論文 参考訳（メタデータ） (2024-02-24T13:08:39Z) - Impression-Aware Recommender Systems [53.48892326556546]
本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
論文 参考訳（メタデータ） (2023-08-15T16:16:02Z) - RGRecSys: A Toolkit for Robustness Evaluation of Recommender Systems [100.54655931138444]
複数の次元を包含するレコメンダシステムに対して,ロバスト性に関するより包括的視点を提案する。
本稿では、RecSys用のロバストネス評価ツールキットRobustness Gymを紹介し、リコメンダシステムモデルのロバストネスを迅速かつ均一に評価できるようにする。
論文 参考訳（メタデータ） (2022-01-12T10:32:53Z) - Recommending with Recommendations [1.1602089225841632]
レコメンデーションシステムは、しばしば予測を行う際に敏感なユーザー情報を引き出す。
既存のサービスからのレコメンデーションに基づいて、サービスのレコメンデーションエンジンを基盤にすることで、この障害に対処する方法を示します。
我々の設定では、ユーザの(潜在的に敏感な)情報は高次元の潜在空間に属します。
論文 参考訳（メタデータ） (2021-12-02T04:30:15Z) - 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) - Knowledge Transfer via Pre-training for Recommendation: A Review and
Prospect [89.91745908462417]
実験による推薦システムに対する事前学習の利点を示す。
事前学習を伴うレコメンデータシステムの今後の研究に向けて,いくつかの将来的な方向性について論じる。
論文 参考訳（メタデータ） (2020-09-19T13:06:27Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳（メタデータ） (2020-02-28T02:26:30Z)
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。