May, 2023

基于随机点击模型的在线学习排序的对抗攻击

PDF
TL;DR本文提出针对在线学习排名的对抗攻击研究，依托排名列表污染来攻击 OLTR 算法，实验结果验证了该攻击策略的有效性和成本效益。
adversarial attacksonline learning to ranklist poisoning attacksstochastic click modelsattack strategies
发现论文，激发创造
  • 利用点击反馈对在线学习排序进行对抗攻击

    本文研究了攻击多个 OLTR 变体的策略，并提出了一般的攻击策略来攻击任何算法，在合成数据和真实数据上的实验验证了我们提出的攻击算法的有效性。

    May, 2023

  • 基于随机点击模型的在线学习排序算法

    提出了一个新的在线学习排序算法 - BatchRank，适用于广泛的点击模型，包括级联和基于位置的模型，并在 Web 搜索查询的一系列测试中性能优越。

    Mar, 2017

  • 在线数据毒化攻击

    本文研究在线学习中的数据污染攻击，将其形式化为一类随机最优控制问题，并采用模型预测控制和深度强化学习方法解决。实验验证了该控制方法在监督学习和无监督学习任务中生成接近最优的攻击的有效性。

    Mar, 2019

  • Order-Disorder: 模拟对抗攻击用于黑盒神经排序模型

    本文提出了一种模仿对抗攻击的方法，通过基于梯度的攻击方法生成对抗触发器，对各种最先进的神经排名模型进行排序伪造，从而对抗黑盒神经通道排名模型的扰动攻击。

    Sep, 2022

  • 用户有限注意力的利用：失配、学习和排序

    使用用户的有限注意力解决推荐系统中的长期回报偏差问题，通过在线贪心算法和多项式时间算法降低后悔度和寻优问题。

    Feb, 2024

  • 在线学习者的攻击：教师和学生分析

    本文从控制理论角度研究了在线学习中攻击者可以利用教师 - 学生设置扰动数据标签来操纵学习动态的情境，通过考虑不同的攻击策略并获取简单线性学习者的稳态的分析结果得出，当攻击强度超过关键阈值时，学习者准确度会出现不连续转变的结论，并利用真实数据对具有复杂架构的学习器进行了实证攻击，证实了理论分析中的洞见，表明贪婪攻击特别是在数据流程以小批量形式时可以非常有效。

    May, 2023

  • 在线学习中的数据投毒攻击

    此研究考虑了数据污染攻击领域，并对在线学习中的数据污染攻击进行了系统性研究，采用了一种优化策略并提出了三种解决方案，最终讨论了防御成功所需的因素。

    Aug, 2018

  • 针对假新闻检测的对抗性数据污染：如何使模型对目标新闻进行错误分类而不修改该新闻

    在这篇立场论文中，我们分析了在不允许操纵原始目标新闻的情况下如何攻击在线学习检测器的性能，以及攻击者如何潜在地引入污染数据来操纵在线学习方法的行为。我们的初步研究发现，基于复杂性和攻击类型，逻辑回归模型对此具有不同的敏感性。

    Dec, 2023

  • 在线对抗攻击

    本文将对深度学习模型的对抗攻击演化为数据流场景下的在线对抗攻击问题，提出了一个在线算法 Virtual + 并分析了算法竞争比例，在 MNIST 数据集上进行了实验。

    Mar, 2021

  • 随机赌博机上的数据污染攻击

    本文旨在研究敌对攻击策略对多臂赌博算法的影响，并提供了离线攻击和在线攻击的策略，展示了潜在的安全威胁。

    May, 2019