sisinflab /adversarial-recommender-systems-survey
本调查的目标有双重:(i)展示对抗性机器学习(ML)以提高RS安全性的最新进展(即,攻击和防御推荐模型),(ii)展示了ML在生成性应用程序的生成对抗网络(GAN)中的另一个成功应用,这要归功于它们学习(多维)数据分布的能力。在这项调查中,我们对主要RS和ML期刊和会议上发表的74篇文章进行了详尽的文献回顾。本评论可供RS社区参考,研究RS的安全性或使用GAN的生成模型以提高其质量。
165
future-visions 话题在 GitHub 上没有填写简介,这里按 Star 数汇总最相关的热门仓库。
本调查的目标有双重:(i)展示对抗性机器学习(ML)以提高RS安全性的最新进展(即,攻击和防御推荐模型),(ii)展示了ML在生成性应用程序的生成对抗网络(GAN)中的另一个成功应用,这要归功于它们学习(多维)数据分布的能力。在这项调查中,我们对主要RS和ML期刊和会议上发表的74篇文章进行了详尽的文献回顾。本评论可供RS社区参考,研究RS的安全性或使用GAN的生成模型以提高其质量。