論文の概要: Understanding and Improving Adversarial Collaborative Filtering for Robust Recommendation

• arxiv url: http://arxiv.org/abs/2410.22844v2
• Date: Sat, 02 Nov 2024 15:23:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 11:03:22.701612
• Title: Understanding and Improving Adversarial Collaborative Filtering for Robust Recommendation
• Title（参考訳）: ロバスト勧告に対する対向的協調フィルタリングの理解と改善
• Authors: Kaike Zhang, Qi Cao, Yunfan Wu, Fei Sun, Huawei Shen, Xueqi Cheng,
• Abstract要約: 適応的協調フィルタリング(ACF)は、毒殺攻撃に対するレコメンダシステムの堅牢性を高める効果的な戦略として広く認識されている。 実証的な成功にもかかわらず、ACFの有効性を性能と堅牢性の両方の観点から理論的に理解するのは難しい。 我々はPamaCF(Personalized Magnitude Adversarial Collaborative Filtering)を提案する。
• 参考スコア（独自算出の注目度）: 60.719158008403376
• License:
• Abstract: Adversarial Collaborative Filtering (ACF), which typically applies adversarial perturbations at user and item embeddings through adversarial training, is widely recognized as an effective strategy for enhancing the robustness of Collaborative Filtering (CF) recommender systems against poisoning attacks. Besides, numerous studies have empirically shown that ACF can also improve recommendation performance compared to traditional CF. Despite these empirical successes, the theoretical understanding of ACF's effectiveness in terms of both performance and robustness remains unclear. To bridge this gap, in this paper, we first theoretically show that ACF can achieve a lower recommendation error compared to traditional CF with the same training epochs in both clean and poisoned data contexts. Furthermore, by establishing bounds for reductions in recommendation error during ACF's optimization process, we find that applying personalized magnitudes of perturbation for different users based on their embedding scales can further improve ACF's effectiveness. Building on these theoretical understandings, we propose Personalized Magnitude Adversarial Collaborative Filtering (PamaCF). Extensive experiments demonstrate that PamaCF effectively defends against various types of poisoning attacks while significantly enhancing recommendation performance.
• Abstract（参考訳）: 対人協調フィルタリング(ACF)は、通常、ユーザとアイテムの埋め込みにおいて、対人協調フィルタリング(CF)の堅牢性を高めるための効果的な戦略として広く認識されている。 さらに、多くの研究が、ACFは従来のCFと比較してレコメンデーション性能も改善できることを実証的に示している。 これらの経験的成功にもかかわらず、ACFの有効性を性能と堅牢性の両方の観点から理論的に理解することは未だ不明である。 このギャップを埋めるために、本稿では、ACFが従来のCFと比較して、クリーンデータと有毒データの両方の文脈で同じトレーニングエポックで低い推奨誤差を達成できることを理論的に示す。 さらに、ACFの最適化プロセスにおける推奨誤差の低減のための限界を確立することにより、各ユーザの埋め込みスケールに基づくパーソナライズされた摂動の大きさの適用により、ACFの有効性がさらに向上することを見出した。 これらの理論的理解に基づいて,PamaCF(Personalized Magnitude Adversarial Collaborative Filtering)を提案する。 大規模な実験により、PamaCFは様々な種類の中毒攻撃に対して効果的に防御し、推奨性能を大幅に向上することが示された。

関連論文リスト

• CF-KAN: Kolmogorov-Arnold Network-based Collaborative Filtering to Mitigate Catastrophic Forgetting in Recommender Systems [16.261654043738385]
  コラボレーティブ・フィルタリング(CF)は、レコメンダシステムにおいて依然として不可欠である。 コルモゴロフ・アルノルドネットワーク(KAN)を利用した新しいCF手法CF-KANを提案する。 エッジレベルで非線形関数を学習することにより、カンはスパースよりも破滅的な忘れ問題に対してより堅牢である。
  論文  参考訳（メタデータ） (2024-08-25T12:12:08Z)
• The Pitfalls and Promise of Conformal Inference Under Adversarial Attacks [90.52808174102157]
  医療画像や自律運転などの安全クリティカルな応用においては、高い敵の堅牢性を維持し、潜在的敵の攻撃から保護することが不可欠である。 敵対的に訓練されたモデルに固有の不確実性に関して、注目すべき知識ギャップが残っている。 本研究では,共形予測(CP)の性能を標準対向攻撃の文脈で検証することにより,ディープラーニングモデルの不確実性について検討する。
  論文  参考訳（メタデータ） (2024-05-14T18:05:19Z)
• How Does Message Passing Improve Collaborative Filtering? [49.019075781827034]
  協調フィルタリング(CF)はレコメンダシステムに顕著な結果をもたらし、現実世界のアプリケーションに広く利用されている。 メッセージパッシングは、グラフベースの学習タスク全般の利点に似た方法でCFメソッドを支援する。 テスト時アグリゲーション(Test-time Aggregation for CF)は、推論時に一度だけメッセージパッシングを行うテスト時アグリゲーションフレームワークである。
  論文  参考訳（メタデータ） (2024-03-27T18:53:04Z)
• 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)
• User-Specific Bicluster-based Collaborative Filtering: Handling Preference Locality, Sparsity and Subjectivity [1.0398909602421018]
  協調フィルタリング(CF)はRecommender Systemsを構築するための最も一般的なアプローチである。 我々は、強く一貫性があり統計的に有意な評価パターンからユーザ固有のモデルを生成する、BiclusteringベースのCFアプローチであるUSBFCを提案する。 USBFCは最先端のCF手法に対する競合予測精度を実現する。
  論文  参考訳（メタデータ） (2022-11-15T18:10:52Z)
• The effectiveness of factorization and similarity blending [0.0]
  CF(Collaborative Filtering)は、過去のユーザの好みデータを活用して行動パターンを特定し、カスタムレコメンデーションを予測するテクニックである。 因子分解と類似性に基づくアプローチを組み合わせることで,スタンドアローンモデルにおける誤差の顕著な減少(-9.4%)が期待できることを示す。 本稿では,従来のアルゴリズムの複雑さを一貫して低減する類似性モデルSCSRの新たな拡張を提案する。
  論文  参考訳（メタデータ） (2022-09-16T13:11:27Z)
• Enhancing Collaborative Filtering Recommender with Prompt-Based Sentiment Analysis [4.123009513488148]
  協調フィルタリング(CF)レコメンダは、オンライン市場とeコマースにおいて重要なアプリケーションである。 既存の手法では,ユーザ評価の補完として,テキストレビューを感情スコアに変換するトークンレベルの感情分析を適用することで,データ空間の問題に対処している。 本稿では,BERTやRoBERTaなどの高度なNLPモデルを用いて感情分析を最適化する。
  論文  参考訳（メタデータ） (2022-07-19T21:04:31Z)
• Confounder Identification-free Causal Visual Feature Learning [84.28462256571822]
  本稿では,創始者を特定する必要性を排除した,創始者同定自由因果視覚特徴学習(CICF)手法を提案する。 CICFは、フロントドア基準に基づいて異なるサンプル間の介入をモデル化し、インスタンスレベルの介入に対するグローバルスコープ干渉効果を近似する。 我々は,CICFと一般的なメタラーニング戦略MAMLの関係を明らかにするとともに,MAMLが理論的観点から機能する理由を解釈する。
  論文  参考訳（メタデータ） (2021-11-26T10:57:47Z)
• Causal Collaborative Filtering [50.22155187512759]
  Causal Collaborative Filteringは、協調フィルタリングとレコメンデーションにおける因果関係をモデル化するためのフレームワークである。 従来のCFアルゴリズムの多くは、単純化された因果グラフの下で、実際にCCFの特殊なケースであることを示す。 そこで我々は,$do$-operationに対する条件付き介入手法を提案する。
  論文  参考訳（メタデータ） (2021-02-03T04:16:11Z)

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。