論文の概要: Hijacking online reviews: sparse manipulation and behavioral buffering in popularity-biased rating systems

• arxiv url: http://arxiv.org/abs/2604.13049v1
• Date: Mon, 16 Mar 2026 07:32:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.63551
• Title: Hijacking online reviews: sparse manipulation and behavioral buffering in popularity-biased rating systems
• Title（参考訳）: オンラインレビューのハイジャック:人気バイアス評価システムにおけるスパース操作と行動バッファリング
• Authors: Itsuki Fujisaki, Kunhao Yang,
• Abstract要約: 本稿では、一人の悪意あるレビュアーが、人気バイアスのある評価力学をどのように活用できるかを検討する。 本研究では,現在表示されている平均値に基づいて評価対象を選択する最小限のエージェントベースモデルを構築した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online reviews and recommendation systems help users navigate overwhelming choice, but they are vulnerable to self-reinforcing distortions. This paper examines how a single malicious reviewer can exploit popularity-biased rating dynamics and whether behavioral heterogeneity in user responses can reduce the damage. We develop a minimal agent-based model in which users choose what to rate partly on the basis of currently displayed averages. We compare broad attacks that perturb many items with sparse attacks that selectively boost low-quality items and suppress high-quality items. Additional analyses not shown here indicate that sparse attacks are substantially more harmful than broad attacks because they better exploit popularity-based exposure. The main text then focuses on sparse attacks and asks how their effects change as the fraction of contrarian users increases. Three results stand out. First, attack-induced damage is strongest when prior honest reviews are scarce, revealing a transition from a fragile low-information regime to a more robust high-information regime. Second, sparse attacks are especially effective at artificially promoting low-quality items. Third, moderate contrarian diversity partially buffers these distortions, primarily by suppressing the rise of low-quality items rather than fully restoring high-quality items to the top. The findings suggest that recommendation robustness depends not only on attack detection and predictive accuracy, but also on review density, popularity feedback, and user response heterogeneity.
• Abstract（参考訳）: オンラインレビューとレコメンデーションシステムは、ユーザが圧倒的な選択をナビゲートするのに役立ちます。 本稿では, 一人の悪意あるレビュアーが, 人気バイアス評価のダイナミクスを活用する方法と, ユーザの反応における行動の不均一性が, 被害を軽減できるかどうかを検討する。 本研究では,現在表示されている平均値に基づいて評価対象を選択する最小限のエージェントベースモデルを構築した。 低品質品を選択的に増やし、高品質品を抑圧するスパースアタックと、多くのアイテムを混乱させる広範囲なアタックを比較した。 ここでは示されていない追加の分析は、スパルス攻撃が広範攻撃よりも著しく有害であることを示している。 メインのテキストはスパース攻撃に焦点を合わせ、コントラリアンユーザーの数が増えるにつれてその効果がどのように変化するかを尋ねる。 3つの結果が浮き彫りだ。 第一に、攻撃によって引き起こされるダメージは、事前の正直なレビューが不十分な場合に最も強く、脆弱な低情報体制からより堅牢な高情報体制への移行が明らかになる。 第二に、スパース攻撃は、特に低品質アイテムを人工的に促進するのに効果的である。 第三に、穏健なコントラリアンの多様性は、主に高品質のアイテムをトップに完全に復元するのではなく、品質の低いアイテムの上昇を抑えることで、これらの歪みを部分的に緩める。 その結果,レコメンデーションの堅牢性は,攻撃検出と予測精度だけでなく,レビュー密度,人気フィードバック,ユーザ応答の不均一性にも依存していることがわかった。

関連論文リスト

• Opening the Black Box: Interpretable Remedies for Popularity Bias in Recommender Systems [1.8692254863855962]
  人気度バイアスは、少数の人気アイテムが不均等な注目を集めるレコメンデーションシステムにおいて、よく知られた課題である。 この不均衡は、しばしば推奨品質の低下とアイテムの不公平な露出をもたらす。 本稿では,Sparse Autoencoder を用いたポストホック手法を提案する。
  論文  参考訳（メタデータ） (2025-08-24T10:59:56Z)
• Going Beyond Popularity and Positivity Bias: Correcting for Multifactorial Bias in Recommender Systems [74.47680026838128]
  ユーザインタラクションデータとレコメンダシステム(RS)の2つの典型的なバイアスは、人気バイアスと肯定バイアスである。 項目と評価値の双方に影響される多因子選択バイアスについて検討する。 分散を低減し、最適化の堅牢性を向上させるため、スムースで交互に勾配降下する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T12:18:21Z)
• Preference Poisoning Attacks on Reward Model Learning [47.00395978031771]
  ペア比較による報酬モデル学習における脆弱性の性質と範囲について検討する。 本稿では,これらの攻撃に対するアルゴリズム的アプローチのクラスとして,勾配に基づくフレームワークと,ランク・バイ・ディスタンス手法のいくつかのバリエーションを提案する。 最高の攻撃は多くの場合、非常に成功しており、最も極端な場合、100%の成功率を達成することができ、データのわずか0.3%が毒殺されている。
  論文  参考訳（メタデータ） (2024-02-02T21:45:24Z)
• Ranking with Popularity Bias: User Welfare under Self-Amplification Dynamics [19.59766711993837]
  本稿では,アイテムの人気度,商品品質,位置バイアスがユーザの選択に影響を与える一般的なメカニズムを提案し,理論的に分析する。 人気度の高い推薦者は,商品の品質と人気を混同することで,線形後悔を誘発することを示す。
  論文  参考訳（メタデータ） (2023-05-24T22:38:19Z)
• 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)
• Adversarial Attack and Defense in Deep Ranking [100.17641539999055]
  本稿では,敵対的摂動によって選抜された候補者のランクを引き上げたり下げたりできる,ディープランキングシステムに対する2つの攻撃を提案する。 逆に、全ての攻撃に対するランキングモデルロバスト性を改善するために、反崩壊三重項防御法が提案されている。 MNIST, Fashion-MNIST, CUB200-2011, CARS196およびStanford Online Productsデータセットを用いて, 敵のランク付け攻撃と防御を評価した。
  論文  参考訳（メタデータ） (2021-06-07T13:41:45Z)
• Towards Adversarial Patch Analysis and Certified Defense against Crowd Counting [61.99564267735242]
  安全クリティカルな監視システムの重要性から、群衆のカウントは多くの注目を集めています。 近年の研究では、ディープニューラルネットワーク(DNN)の手法が敵の攻撃に弱いことが示されている。 群衆カウントモデルのロバスト性を評価するために,Momentumを用いた攻撃戦略としてAdversarial Patch Attackを提案する。
  論文  参考訳（メタデータ） (2021-04-22T05:10:55Z)
• A Robust Reputation-based Group Ranking System and its Resistance to Bribery [8.300507994596416]
  マルチパートレーティングワークを利用した評価に基づく新しいランキングシステムを提案する。 贈賄に対する抵抗性と最適な贈賄戦略の設計方法について検討する。
  論文  参考訳（メタデータ） (2020-04-13T22:28:29Z)

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。