AttResRec: Learning User Credibility for Attack Resistant Matrix Factorization Recommendation
Notice bibliographique
Résumé
The pervasive threat of shilling attacks, where malicious users inject fraudulent ratings to manipulate recommendations, critically undermines the reliability of Matrix Factorization (MF)-based recommender systems. This paper proposes AttResRec, a novel MF-based approach designed to improve system integrity by learning and integrating user credibility directly into the recommendation pipeline. AttResRec's defense is built upon three synergistic innovations. First, it employs a user credibility estimation mechanism that quantifies user credibility by assessing the consistency between an individual's interaction history and prevalent item co-occurrence patterns identified from collective user behavior. This directly enables differentiation between genuine and potentially malicious users. Second, the learned credibility dynamically informs a Credibility-aware Huber Loss (CHL) function. The CHL adaptively modifies its error sensitivity, rigorously penalizing deviations for high-credibility users while robustly limiting the influence of large errors associate with low-credibility users. Third, the model optimization is performed via Credibility-Weighted Stochastic Gradient Descent (CW-SGD), ensuring that users with lower credibility scores exert a diminished influence on the learned model parameters. Extensive experiments on the MovieLens-25M and Amazon Musical Instruments datasets, under diverse shilling attack scenarios, demonstrate AttResRec's benefits. That is, it not only achieves superior recommendation accuracy but also exhibits enhanced attack resistance, evidenced by lower prediction shift and hit ratios for poisoned items in poisoned environments, compared to state-of-the-art robust baselines.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».