ROBUREC: Building a Robust Recommender using Autoencoders with Anomaly Detection
Notice bibliographique
Résumé
In the realm of social network analysis and mining, recommendation systems have become indispensable algorithms in assisting users and industries in navigating the available contents or products in various domains and getting the most personalized recommendations to their interests and preferences. However, if the input data has been generated by malicious users, that poses a significant challenge to recommender systems' reliability and efficiency. One of the main threats that poses a challenge to recommender systems is shilling attacks. Shilling attacks tend to manipulate or poison the data in the systems' training phase, leading to biased or compromised recommendations. To address this challenge, we propose a robust recommender system using variational autoencoders (VAE) with Anomaly detection. Our model learns complex and non-linear patterns by exclusively focusing on the user-item interaction data, represented by a binary user-item interaction matrix, making it more resilient to classic shilling attacks. Moreover, our paper incorporates an anomaly detection mechanism, alongside the autoencoder, that analyzes the reconstruction errors, i.e. (MSE) between the original interactions and their reconstructed ones. We test the model on a real-world dataset and evaluate it using Recall@k and NDCG@k. This work enhances the trustworthiness and accuracy of recommendation algorithms, mainly when deployed in social network analysis and mining, where the potential for malicious data manipulation is a critical concern.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».