社区检测攻击：针对基于协作学习的推荐系统

Jun, 2023

社区检测攻击：针对基于协作学习的推荐系统

Community Detection Attack against Collaborative Learning-based Recommender Systems

Yacine Belal, Sonia Ben Mokhtar, Mohamed Maouche, Anthony Simonet-Boulogne

TL;DR本文研究基于协作学习的推荐系统，发现当前解决隐私问题的方法容易受到社区检测攻击（Community Detection Attack，CDA）的威胁。通过三个真实的推荐数据集以及两种现代化的推荐模型的实验，研究人员发现，在 FL 和 Gossip Learning 设置中，所有模型和数据集中，FL 设置比 Gossip 设置更容易受到 CDA 攻击。此外，研究还比较了两种解决方案，发现共享策略比差分隐私策略更好地解决了隐私问题。

Abstract

collaborative-learning based recommender systems emerged following the success of collaborative learning techniques such as Federated Learning (f

collaborative-learning recommender systems privacy attacks fl gossip learning

发现论文，激发创造

探索联邦社区检测的框架

分布式社区检测中的联邦学习，初步实验揭示了分布数据引入的性能差距，并提出了解决这些问题的解决方案。

Dec, 2023

隐私保护机制在联邦学习中的应用

本文研究在联邦学习中，使用差分隐私和社区驱动方法来保障本地数据隐私，识别了一个安全漏洞并设计了两种攻击模式，Adversarial Mode 和 Backdoor Mode，实验结果表明这些攻击是有效的。

May, 2023

联邦学习场景下基于深度学习的推荐模型攻击

本篇论文研究了针对联邦学习场景下的基于深度学习的推荐模型的攻击方法，并提出了两种生成毒瘤梯度的策略以有效地破坏目标模型。

Apr, 2022

面向隐私保护的联邦协作过滤个性化推荐系统

本文介绍了一个基于随机梯度方法的联邦协作过滤模型，并将其应用于用户推荐系统，旨在提高用户隐私保护，且实验表明，在联邦实现中，相较于标准实现而言，推荐系统的性能并未降低。

Jan, 2019

基于隐式反馈的联邦协同过滤更强隐私保护

我们提出了一个实用的联邦推荐系统，用于隐式数据下的用户级本地差分隐私，包括代理网络来减少用户跟踪表面。我们在 Movielens 数据集上进行实证研究，并在保护用户隐私的同时，实现了高命中率。

May, 2021

CommunityAI：面向基于社区的联邦学习

我们提出了一种名为 CommunityAI 的用于基于社区的联邦学习的新框架，通过共享兴趣、专业知识或数据特征来组织参与者，并在各自的群组中维护数据和参与者的隐私，从而使参与者能够共同贡献于训练和完善学习模型的过程中。

Nov, 2023

推荐系统的协作深度学习

本研究提出了一种层次贝叶斯模型，名为 CDL，其通过深度表示学习和协作过滤来处理稀疏的推荐数据，并在三个真实世界数据集上验证了其有效性。

Sep, 2014

分布式学习中的隐私攻击

分布式梯度下降 (D-GD) 允许一组用户在网络图中通过迭代平均本地模型更新与其相邻节点进行协同学习，而无需共享数据。我们提出了针对 D-GD 的第一个攻击，并演示了用户（或一组用户）如何通过回声平均协议的重构攻击来重建其他用户的私有数据，验证了攻击的有效性和对用户数量、攻击者数量及其在图中的位置等因素的影响。

Feb, 2024

针对推荐系统的成员推断攻击

本文第一次尝试从成员推理的角度量化推荐系统的隐私泄漏，并提出了基于成员推理的攻击框架和防御机制。实验结果表明，攻击框架具有强大的性能。

Sep, 2021

对比推荐系统的毒化攻击

对比学习已经在推荐领域取得了显著的流行度，但本文发现基于对比学习的推荐系统存在一个更易受污染攻击的漏洞，并通过实验证明了这一攻击模型的破坏性，以促进更强大的对比学习推荐系统的发展。

Nov, 2023