論文の概要: Advancing Recommender Systems by mitigating Shilling attacks

• arxiv url: http://arxiv.org/abs/2404.16177v1
• Date: Wed, 24 Apr 2024 20:05:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-26 16:02:40.897454
• Title: Advancing Recommender Systems by mitigating Shilling attacks
• Title（参考訳）: シリング攻撃の緩和によるレコメンダシステムの開発
• Authors: Aditya Chichani, Juzer Golwala, Tejas Gundecha, Kiran Gawande,
• Abstract要約: コラボレーティブ・フィルタリングは、優れた性能のため、リコメンデーションの計算に広く使われている手法である。 本稿では,システム内のシリングプロファイルを正確に検出するアルゴリズムを提案するとともに,そのようなプロファイルがレコメンデーションに与える影響について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Considering the premise that the number of products offered grow in an exponential fashion and the amount of data that a user can assimilate before making a decision is relatively small, recommender systems help in categorizing content according to user preferences. Collaborative filtering is a widely used method for computing recommendations due to its good performance. But, this method makes the system vulnerable to attacks which try to bias the recommendations. These attacks, known as 'shilling attacks' are performed to push an item or nuke an item in the system. This paper proposes an algorithm to detect such shilling profiles in the system accurately and also study the effects of such profiles on the recommendations.
• Abstract（参考訳）: 提供商品の数が指数関数的に増加し、ユーザが決定を下す前に同化できるデータ量が比較的小さいという前提を考えると、推奨システムはユーザの好みに応じてコンテンツを分類するのに役立つ。 コラボレーティブ・フィルタリングは、優れた性能のため、リコメンデーションの計算に広く使われている手法である。 しかし、この方法では、システムはレコメンデーションに偏見を抱く攻撃に対して脆弱になる。 これらの攻撃は「シリング・アタック」と呼ばれ、システム内でアイテムを押したり、商品をヌークしたりする。 本稿では,システム内のシリングプロファイルを正確に検出するアルゴリズムを提案するとともに,そのようなプロファイルがレコメンデーションに与える影響について検討する。

関連論文リスト

• An Efficient Multi-threaded Collaborative Filtering Approach in Recommendation System [0.0]
  本研究は,多数のユーザを効率的に扱えるスケーラブルなレコメンデーションシステムの構築に焦点を当てる。 これを実現するために、マルチスレッドの類似性アプローチが採用されている。 この並列化は従来の手法に比べて計算時間を著しく短縮し、高速で効率的でスケーラブルなレコメンデーションシステムをもたらす。
  論文  参考訳（メタデータ） (2024-09-28T06:33:18Z)
• 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)
• PORE: Provably Robust Recommender Systems against Data Poisoning Attacks [58.26750515059222]
  実証可能な堅牢なレコメンデータシステムを構築する最初のフレームワークであるPOREを提案する。 POREは、既存のレコメンデータシステムを、ターゲットのないデータ中毒攻撃に対して確実に堅牢に変換することができる。 POREは、データ中毒攻撃を受けたユーザに対して、少なくとも$N$アイテムの$r$を推奨していることを証明しています。
  論文  参考訳（メタデータ） (2023-03-26T01:38:11Z)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• 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)
• Introducing a Framework and a Decision Protocol to Calibrate Recommender Systems [0.0]
  本稿では,ジャンルの校正バランスを考慮したレコメンデーションリスト作成手法を提案する。 主な主張は、キャリブレーションはより公平なレコメンデーションを生み出すために肯定的に貢献できるということである。 本稿では,1000以上の校正システムの組み合わせを生成するための概念的フレームワークと決定プロトコルを提案する。
  論文  参考訳（メタデータ） (2022-04-07T19:30:55Z)
• 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)
• Membership Inference Attacks Against Recommender Systems [33.66394989281801]
  我々は,会員推論のレンズを用いて,レコメンデータシステムのプライバシー漏洩を定量化するための最初の試みを行う。 私たちの攻撃はユーザレベルにありますが、データサンプルレベルではありません。 シャドーレコメンデータは、ラベル付きトレーニングデータを導出し、攻撃モデルを訓練する。
  論文  参考訳（メタデータ） (2021-09-16T15:19:19Z)
• On Detecting Data Pollution Attacks On Recommender Systems Using Sequential GANs [9.497749999148107]
  悪意のあるアクターは、悪意のあるデータポイントを注入することでレコメンダシステムの出力を低下させる動機があるかもしれない。 悪意のあるデータポイントを特定するための半教師付き攻撃検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-04T10:31:28Z)
• Influence Function based Data Poisoning Attacks to Top-N Recommender Systems [43.14766256772]
  攻撃者はリコメンデータシステムを騙して、ターゲットアイテムをできるだけ多くの一般ユーザーに推奨することができる。 我々はこの問題を解決するためにデータ中毒攻撃を開発する。 以上の結果から,我々の攻撃は有効であり,既存手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2020-02-19T06:41:51Z)

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。