.png){kind=icon}
返回
Autoencoder-Based Poisoning Attack Detection in Graph Recommender Systems
.png){kind=icon}
PRE
AI
DOI：10.3390/info16111004.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图神经网络推荐系统（GRSs）能够建模复杂用户-物品关系。与传统的推荐模型相比，它们能提供更高的推荐准确性和个性化程度。然而，GRSs也面临着来自新型污染攻击的严峻挑战。攻击者通常通过注入攻击用户及其交互数据来操纵GRS图结构，从而导致产生误导性推荐。现有的检测方法缺乏识别针对图神经网络的攻击的能力。为了解决这一问题，我们提出了AutoDAP，一种基于自编码器的图神经网络污染攻击检测方法。AutoDAP首先从用户交互数据中提取关键统计特征，并将其与原始交互信息融合。然后，采用自编码器架构处理这些数据。编码器提取深层特征并连接到输出层以预测分类概率，解码器则重建图结构特征。通过联合优化分类损失和重构损失，AutoDAP有效整合了监督和无监督信号，从而增强了攻击用户的检测能力。在MovieLens-10M数据集上针对各种污染攻击的评估，以及在Amazon数据集上使用真实攻击数据的测试，均证明了AutoDAP的优越性。在模拟（MovieLens）和真实世界（Amazon）攻击场景下，AutoDAP均优于多个代表性基线方法，显示出其有效性和鲁棒性。
Keyword:
graph recommender systems
poisoning attacks
attack detection
autoencoder
期刊
I
IF:
2.9
论文数:
861
被引数:
9.8K
机构
引用论文
The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation在回归分析评估中，决定系数R平方比SMAPE，MAE，MAPE，MSE和RMSE更具信息性
OAAI
OAAI分享收藏HS-SocialRec: A Study on Boosting Social Recommendations with Hard Negative Sampling in LightGCN.png)
Information
InformationIF0
PREAI
分享收藏BS-SC: An Unsupervised Approach for Detecting Shilling Profiles in Collaborative Recommender SystemsBs-sc: 一种在协作推荐系统中检测先令配置文件的无监督方法
PREAI
分享收藏Cross-distillation-based approach for detecting poisoning attacks in recommender systems基于交叉蒸馏的推荐系统中检测投毒攻击的方法
PREAI
分享收藏SVM-TIA a shilling attack detection method based on SVM and target item analysis in recommender systems推荐系统中基于SVM和目标项分析的svm-tia先令攻击检测方法NEUROCOMPUTINGOAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏A recommendation attack detection approach integrating CNN with BaggingCOMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏
查看更多内容