論文の概要: Precision Profile Pollution Attack on Sequential Recommenders via Influence Function

• arxiv url: http://arxiv.org/abs/2412.01127v1
• Date: Mon, 02 Dec 2024 05:03:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:40:34.468823
• Title: Precision Profile Pollution Attack on Sequential Recommenders via Influence Function
• Title（参考訳）: 影響関数を用いたシーケンスレコメンダの高精度プロファイル汚染攻撃
• Authors: Xiaoyu Du, Yingying Chen, Yang Zhang, Jinhui Tang,
• Abstract要約: プロファイル汚染攻撃に対するインフルエンス関数に基づく攻撃手法INFAttackを導入する。 汚染されたシーケンスを生成する際の影響関数を用いて、元のモデルに対する修正を計算する。 我々は、元のシーケンスを置換するために最も大きく影響されたシーケンスを選択し、それによってターゲット項目を促進させる。
• 参考スコア（独自算出の注目度）: 33.7208277448352
• License:
• Abstract: Sequential recommendation approaches have demonstrated remarkable proficiency in modeling user preferences. Nevertheless, they are susceptible to profile pollution attacks (PPA), wherein items are introduced into a user's interaction history deliberately to influence the recommendation list. Since retraining the model for each polluted item is time-consuming, recent PPAs estimate item influence based on gradient directions to identify the most effective attack candidates. However, the actual item representations diverge significantly from the gradients, resulting in disparate outcomes.To tackle this challenge, we introduce an INFluence Function-based Attack approach INFAttack that offers a more accurate estimation of the influence of polluting items. Specifically, we calculate the modifications to the original model using the influence function when generating polluted sequences by introducing specific items. Subsequently, we choose the sequence that has been most significantly influenced to substitute the original sequence, thus promoting the target item. Comprehensive experiments conducted on five real-world datasets illustrate that INFAttack surpasses all baseline methods and consistently delivers stable attack performance for both popular and unpopular items.
• Abstract（参考訳）: ユーザの嗜好をモデル化する上で,逐次推薦アプローチは極めて有能である。 それでも、これらはプロファイル汚染攻撃(PPA)の影響を受けやすく、ユーザのインタラクション履歴にアイテムを意図的に導入してレコメンデーションリストに影響を与える。 汚染された各項目に対するモデルの再学習には時間を要するため、最近のPPAは、最も効果的な攻撃候補を特定するために、勾配方向に基づくアイテムの影響を推定している。 しかし, 実際の項目表現は勾配から大きくばらつき, 異なる結果が得られ, この問題に対処するために, 汚染機能に基づく攻撃アプローチINFAttackを導入し, 汚染項目の影響をより正確に推定する。 具体的には、特定の項目を導入することで汚染されたシーケンスを生成する際に、影響関数を用いてオリジナルのモデルに修正を加える。 次に、最も影響の大きい配列を選択して、元の配列を置換し、ターゲット項目を促進させる。 5つの実世界のデータセットで実施された総合的な実験は、INFAttackがすべてのベースラインメソッドを超え、人気アイテムと不人気アイテムの両方に対して安定した攻撃性能を継続的に提供することを示している。

関連論文リスト

• Causality-Enhanced Behavior Sequence Modeling in LLMs for Personalized Recommendation [47.29682938439268]
  本稿では,ユーザ嗜好モデルを改善するために,CFT法を提案する。 モデル出力に対する行動系列の因果的影響を特定するために, 反ファクト推論を用いる。 実世界のデータセットの実験により、CFTは行動シーケンスモデリングを効果的に改善することを示した。
  論文  参考訳（メタデータ） (2024-10-30T08:41:13Z)
• Exploiting Preferences in Loss Functions for Sequential Recommendation via Weak Transitivity [4.7894654945375175]
  最適化の目的の選択は、レコメンダシステムの設計において極めて重要である。 そこで本研究では,スコア間の相対的な順序として,異なる選好レベルを明示的に活用するために,本来の目的を拡張した新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-01T06:55:19Z)
• Revisit, Extend, and Enhance Hessian-Free Influence Functions [26.105554752277648]
  影響関数は、モデルの解釈、サブセットのトレーニングセットの選択などにおけるサンプルの影響を評価する重要なツールとして機能する。 本稿では,Trac として知られる特定の有効近似法を再検討する。 この方法は、ヘッセン行列の逆を恒等行列で置き換える。
  論文  参考訳（メタデータ） (2024-05-25T03:43:36Z)
• Counterfactual Reasoning for Multi-Label Image Classification via Patching-Based Training [84.95281245784348]
  共起関係の過度な強調は、モデルの過度な問題を引き起こす可能性がある。 本稿では,対象対象物とその共起対象物による相関特性を媒介者とみなすことができることを示す因果推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-09T13:13:24Z)
• Defending Substitution-Based Profile Pollution Attacks on Sequential Recommenders [8.828396559882954]
  本稿では,ある脆弱な要素を選択し,それを逆数要素に置換することで,入力シーケンスを修飾する置換型逆数攻撃アルゴリズムを提案する。 また、ディリクレ近傍サンプリングと呼ばれる効率的な対角防御手法を設計する。 特に,選択した項目を1ホットエンコーディングで表現し,エンコーディングの勾配上昇を行い,トレーニング中の項目埋め込みの最悪の場合の線形結合を探索する。
  論文  参考訳（メタデータ） (2022-07-19T00:19:13Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• Determinantal Point Process Likelihoods for Sequential Recommendation [12.206748373325972]
  本稿では,DPP(Determinantal Point Process)の確率に基づく2つの新たな損失関数を提案する。 提案した損失関数を実世界の3つのデータセットで実験した結果、品質と多様性の指標の両方において、最先端のシーケンシャルなレコメンデーション手法よりも顕著な改善が見られた。
  論文  参考訳（メタデータ） (2022-04-25T11:20:10Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)

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。