GAN penalizados con perturbación latente para la generación de ataques robustos en sistemas recomendadores

Área de la Ciencia:

• Ciencias de la computación
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• Los ataques de Shilling amenazan la integridad del sistema de recomendación inyectando perfiles de usuario falsos.
• Los métodos generativos existentes luchan con una formación inestable y una generación de perfiles poco realista.

Objetivo del estudio:

• Proponer PGAN, una red adversa generativa penalizada, para generar perfiles de ataque de shilling de alta calidad, diversos e indetectables.
• Mejorar la robustez y el realismo de los perfiles de ataque generados utilizando perturbaciones espaciales latentes.

Principales métodos:

• PGAN utiliza una penalización de gradiente para estabilizar el entrenamiento del discriminador.
• Se aplican perturbaciones de ruido controladas en el espacio latente del generador para mejorar la robustez y la diversidad.
• Evaluación en conjuntos de datos del mundo real utilizando métricas como Hit Ratio @ K y Prediction Shift.

Principales resultados:

• PGAN supera constantemente los ataques estadísticos tradicionales y los modelos GAN de referencia.
• Logró una puntuación de HR@10 de 0.2051 en MovieLens y 0.2076 en los conjuntos de datos de Amazon.
• Los perfiles generados demuestran una gran similitud con los usuarios reales, lo que confirma su realismo.

Conclusiones:

• PGAN ofrece un enfoque superior para generar perfiles de ataque realistas y diversos.
• El método propuesto mejora la seguridad del sistema de recomendación al proporcionar un marco de generación de ataques robusto.
• PGAN representa un avance significativo con respecto a los métodos de ataque basados en redes adversas generativas existentes.