論文の概要: An Efficient and Effective Agentic Group Shilling Attack on Recommender Systems

• arxiv url: http://arxiv.org/abs/2609.09551v1
• Date: Wed, 09 Sep 2026 00:14:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.847147
• Title: An Efficient and Effective Agentic Group Shilling Attack on Recommender Systems
• Title（参考訳）: リコメンダシステムにおける効果的で効果的なエージェントグループシリング攻撃
• Abstract要約: 本稿では,レコメンデータシステムのための協調シリング攻撃システムを提案する。 エージェント・グループ・アタック・システムは、異なる被害者の家族間でターゲットアイテムを適応的に促進する。 発見は、レコメンダシステムを守るには適応的なシリングキャンペーンを扱うメカニズムが必要であることを強調している。
• 参考スコア（独自算出の注目度）: 43.551577903526585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems have become core infrastructure for modern online platforms, personalizing content at scale and strongly influencing what users see, click on, and purchase. However, this dependence on user interaction also exposes them to shilling attacks, where malicious actors can inject fake profiles to distort item rankings and control visibility. Existing attacks often rely on target-specific fine-tuning or fixed profile templates, making them either difficult to adapt to different victims or easier to detect. To overcome these limitations, we propose the Agentic Group Attack System (AGAS), a coordinated shilling framework where a central Coordinator directs a group of role-switching worker agents to adaptively promote a target item across different victim families. The Coordinator dynamically adjusts the strategy when progress stalls or suppression signals increase, while workers pursue a shared objective and switch between active and inactive roles to avoid repetitive patterns. Under the same attack budgets and evaluation protocols, AGAS consistently surpasses strong baselines in target promotion while better preserving benign recommendation quality, weakening representative detectors, and achieving higher efficiency than prior attacks. These findings also emphasize that defending recommender systems may require mechanisms that can handle adaptive shilling campaigns, not just isolated fake-profile injections. Our code is available at https://github.com/phkhanhtrinh23/AGAS.
• Abstract（参考訳）: レコメンダシステムは、現代的なオンラインプラットフォームのコアインフラストラクチャとなり、コンテンツを大規模にパーソナライズし、ユーザが何を見たり、クリックしたり、購入したかに強く影響を与えている。 しかし、このユーザーインタラクションへの依存は、悪意のあるアクターが偽のプロフィールを注入してアイテムのランキングを歪ませたり、可視性をコントロールできるような攻撃にも影響する。 既存の攻撃は、しばしばターゲット固有の微調整または固定されたプロファイルテンプレートに依存しており、異なる犠牲者への適応が困難になるか、検出が容易になる。 これらの制約を克服するために,中央コーディネータがロールスイッチング作業員のグループを誘導し,異なる家族を対象としたターゲットアイテムを適応的に促進する協調シリングフレームワークであるエージェントグループアタックシステム(AGAS)を提案する。 コーディネータは、進行が止まったり抑制信号が増加すると戦略を動的に調整し、労働者は共有目的を追求し、繰り返しパターンを避けるためにアクティブロールと非アクティブロールを切り替える。 同じ攻撃予算と評価プロトコルの下では、AGASは目標の推進において強力なベースラインを一貫して超え、良質な推奨品質を維持し、代表検出器を弱め、以前の攻撃よりも高い効率を達成する。 これらの知見はまた、リコメンデーターシステムを守るには、単独の偽の注射だけでなく、適応的なシリングキャンペーンを処理できるメカニズムが必要であることも強調している。 私たちのコードはhttps://github.com/phkhanhtrinh23/AGASで公開されています。

関連論文リスト

• Stateful Cooperative Agents Safeguarding LLMs Against Evolving Multi-Turn Attacks [56.45762972211923]
  マルチターン攻撃に対するLDMの安全性を確保するためのプロアクティブ・ディフェンス・フレームワークを提案する。 特殊なエージェントが補完的な防衛戦略を実行するような、協調的なマルチエージェントアーキテクチャを採用している。 マルチターン攻撃における進化戦略をシミュレートするEMRAデータセットを提案する。
  論文  参考訳（メタデータ） (2026-07-31T14:04:49Z)
• Prompt-Unknown Promotion Attacks against LLM-based Sequential Recommender Systems [51.504307822017985]
  大規模言語モデルを用いたシーケンシャルレコメンデータシステム(LLM-SRS)は,最近顕著な性能を示した。 本稿では, LLM-SRSにおけるアイテムプロモーション攻撃について, 攻撃者に対してシステムプロンプトと被害者モデルの両方が未知な状況下で, より現実的な状況下で検討する。
  論文  参考訳（メタデータ） (2026-04-26T10:09:26Z)
• With a Little Help From My Friends: Collective Manipulation in Risk-Controlling Recommender Systems [7.21571646225215]
  本研究は,nDCGの劣化率を最大20%まで低下させることが,非競合ユーザに対して可能であることを示す。 本稿では,保証をグループレベルからユーザレベルにシフトさせる緩和戦略を提案する。
  論文  参考訳（メタデータ） (2026-03-30T14:14:48Z)
• CyGATE: Game-Theoretic Cyber Attack-Defense Engine for Patch Strategy Optimization [73.13843039509386]
  本稿では,攻撃と防御の相互作用をモデル化するゲーム理論フレームワークCyGATEを提案する。 CyGATEはサイバー・キル・チェーン(Cyber Kill Chain)の段階にわたって、サイバー紛争を部分的に観察可能なゲーム(POSG)として捉えている。 フレームワークの柔軟なアーキテクチャは、マルチエージェントシナリオの拡張を可能にする。
  論文  参考訳（メタデータ） (2025-08-01T09:53:06Z)
• Phantom Subgroup Poisoning: Stealth Attacks on Federated Recommender Systems [34.21029914973687]
  フェデレートされたレコメンデーションシステム(FedRec)は、パーソナライズされたレコメンデーションを提供するための有望なソリューションとして登場した。 既存の攻撃は通常、ユーザグループ全体を対象としており、ステルスを妥協し、検出のリスクを増大させる。 特定のユーザサブグループのレコメンデーションを操作するために設計された最初の標的毒殺攻撃であるSp attackを導入する。
  論文  参考訳（メタデータ） (2025-07-07T09:40:16Z)
• LLM-Based User Simulation for Low-Knowledge Shilling Attacks on Recommender Systems [28.559223475725137]
  我々は,Large Language Model(LLM)ベースのエージェントを利用して,低知識かつ高インパクトなシリング攻撃を行う新しいフレームワークであるAgent4SRを紹介する。 Agent4SRは、対向的なインタラクションを編成し、アイテムを選択し、評価を割り当て、レビューを作成し、行動の妥当性を維持しながら、現実的なユーザ動作をシミュレートする。 以上の結果から,レコメンデーションシステムにおける防衛強化の必要性を浮き彫りにして,LSMを駆使したエージェントによる新たな緊急脅威の出現が示唆された。
  論文  参考訳（メタデータ） (2025-05-18T04:40:34Z)
• 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)
• Robust multi-agent coordination via evolutionary generation of auxiliary adversarial attackers [23.15190337027283]
  副次的攻撃者生成によるロバスト多エージェント協調(ROMANCE)を提案する。 ROMANCEは、訓練中に多種多様で強力な補助的敵攻撃に遭遇することを可能にし、様々な政策摂動の下で高い堅牢性を達成する。 品質の目標は、エゴシステムのコーディネーション効果を最小限に抑えることであり、攻撃者間の振る舞いを多様化するために、新しい多様性レギュレータを適用することである。
  論文  参考訳（メタデータ） (2023-05-10T05:29:47Z)
• Guidance Through Surrogate: Towards a Generic Diagnostic Attack [101.36906370355435]
  我々は、攻撃最適化中に局所最小限を避けるための誘導機構を開発し、G-PGAと呼ばれる新たな攻撃に繋がる。 修正された攻撃では、ランダムに再起動したり、多数の攻撃を繰り返したり、最適なステップサイズを検索したりする必要がありません。 効果的な攻撃以上に、G-PGAは敵防御における勾配マスキングによる解離性堅牢性を明らかにするための診断ツールとして用いられる。
  論文  参考訳（メタデータ） (2022-12-30T18:45:23Z)

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。