論文の概要: Towards Robust Recommendation: A Review and an Adversarial Robustness Evaluation Library
- arxiv url: http://arxiv.org/abs/2404.17844v1
- Date: Sat, 27 Apr 2024 09:44:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-11 01:28:18.128582
- Title: Towards Robust Recommendation: A Review and an Adversarial Robustness Evaluation Library
- Title（参考訳）: ロバストレコメンデーションに向けて: 対人ロバストネス評価ライブラリの概観
- Authors: Lei Cheng, Xiaowen Huang, Jitao Sang, Jian Yu,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 27.50051402580845
- License:
- Abstract: Recently, recommender system has achieved significant success. However, due to the openness of recommender systems, they remain vulnerable to malicious attacks. Additionally, natural noise in training data and issues such as data sparsity can also degrade the performance of recommender systems. Therefore, enhancing the robustness of recommender systems has become an increasingly important research topic. In this survey, we provide a comprehensive overview of the robustness of recommender systems. Based on our investigation, we categorize the robustness of recommender systems into adversarial robustness and non-adversarial robustness. In the adversarial robustness, we introduce the fundamental principles and classical methods of recommender system adversarial attacks and defenses. In the non-adversarial robustness, we analyze non-adversarial robustness from the perspectives of data sparsity, natural noise, and data imbalance. Additionally, we summarize commonly used datasets and evaluation metrics for evaluating the robustness of recommender systems. Finally, we also discuss the current challenges in the field of recommender system robustness and potential future research directions. Additionally, to facilitate fair and efficient evaluation of attack and defense methods in adversarial robustness, we propose an adversarial robustness evaluation library--ShillingREC, and we conduct evaluations of basic attack models and recommendation models. ShillingREC project is released at https://github.com/chengleileilei/ShillingREC.
- Abstract（参考訳）: 近年,レコメンデーションシステムは大きな成功を収めている。
しかし、レコメンデーターシステムの開放性のため、悪意のある攻撃に弱いままである。
さらに、トレーニングデータの自然なノイズやデータスパシティといった問題も、レコメンダシステムのパフォーマンスを低下させる可能性がある。
そのため、レコメンデータシステムの堅牢性を高めることが、ますます重要な研究トピックとなっている。
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。
敵のロバスト性においては,システムに対する攻撃と防御の基本的な原則と古典的手法を導入する。
非敵対的ロバスト性では、データ空間、自然騒音、データ不均衡の観点から非敵対的ロバスト性を分析する。
さらに,レコメンデータシステムのロバスト性を評価するために,一般的なデータセットと評価指標を要約した。
最後に,リコメンデータシステムの堅牢性および今後の研究方向性に関する課題についても論じる。
さらに,敵の強靭性に対する攻撃・防御手法の公平かつ効率的な評価を容易にするために,敵の強靭性評価ライブラリ-ShillingRECを提案し,基本攻撃モデルとレコメンデーションモデルの評価を行う。
ShillingRECプロジェクトはhttps://github.com/chengleileilei/ShillingRECで公開されている。
関連論文リスト
- Revisiting Reciprocal Recommender Systems: Metrics, Formulation, and Method [60.364834418531366]
RRSの性能を包括的かつ正確に評価する5つの新しい評価指標を提案する。
因果的観点からRSを定式化し、二元的介入として勧告を定式化する。
提案手法では,結果の一致を最大化する手法を提案する。
論文 参考訳（メタデータ） (2024-08-19T07:21:02Z) - From Adversarial Arms Race to Model-centric Evaluation: Motivating a
Unified Automatic Robustness Evaluation Framework [91.94389491920309]
テキストの敵対攻撃は、セマンティック保存されているが、入力に誤解を招く摂動を加えることでモデルの弱点を発見することができる。
既存のロバストネス評価の実践は、包括的評価、非現実的評価プロトコル、無効な対人サンプルの問題を示す可能性がある。
我々は、敵攻撃の利点を活用するために、モデル中心の評価にシフトする統合された自動ロバストネス評価フレームワークを構築した。
論文 参考訳（メタデータ） (2023-05-29T14:55:20Z) - FairRoad: Achieving Fairness for Recommender Systems with Optimized
Antidote Data [15.555228739298045]
我々は、最適化された解毒剤データ(FairRoad)を用いたフェアレコメンデーションと呼ばれる新しいアプローチを提案する。
提案する解毒剤データ生成アルゴリズムは,少量の解毒剤データを用いたレコメンデータシステムの公正性を著しく向上する。
論文 参考訳（メタデータ） (2022-12-13T17:32:44Z) - Towards Adversarially Robust Recommendation from Adaptive Fraudster
Detection [9.756305372960423]
GNNベースのレコメンデータシステムであるGraphRfiが提案され、注入された偽ユーザの影響を効果的に緩和することを示した。
我々は、GraphRfiが不正検出コンポーネントの教師付き性質のため、攻撃に対して脆弱なままであることを示す。
特に,GNNベースとMFベースの両方のレコメンデーターシステムに対して,強力な毒殺攻撃であるMetaCを提案する。
論文 参考訳（メタデータ） (2022-11-08T15:38:43Z) - Searching for Robust Neural Architectures via Comprehensive and Reliable
Evaluation [6.612134996737988]
本稿では,ニューラルアーキテクチャの探索手法を応用した,AAD(Auto Adversarial Attack and Defense)と呼ばれる新しいフレームワークを提案する。
本研究では, 対向雑音, 自然騒音, システム騒音, 定量化指標の4種類のロバスト性評価について検討する。
CIFAR10データセットの実証結果は、探索された効率的な攻撃がより堅牢なアーキテクチャを見つけるのに役立つことを示している。
論文 参考訳（メタデータ） (2022-03-07T04:45:05Z) - 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) - 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) - RobustBench: a standardized adversarial robustness benchmark [84.50044645539305]
ロバストネスのベンチマークにおける主な課題は、その評価がしばしばエラーを起こし、ロバストネス過大評価につながることである。
我々は,白箱攻撃と黒箱攻撃のアンサンブルであるAutoAttackを用いて,敵対的ロバスト性を評価する。
分散シフト,キャリブレーション,アウト・オブ・ディストリビューション検出,フェアネス,プライバシリーク,スムースネス,転送性に対するロバスト性の影響を解析した。
論文 参考訳（メタデータ） (2020-10-19T17:06:18Z) - Survey for Trust-aware Recommender Systems: A Deep Learning Perspective [48.2733163413522]
信頼できるレコメンデーションシステムを採用することが重要になります。
本調査では,信頼を意識したレコメンデータシステムの3つのカテゴリについて概説する。
論文 参考訳（メタデータ） (2020-04-08T02:11:55Z)
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。