arXiv cs.AI· Jiajie He, Xintong Chen, Xinyang Fang, Min-Chun Chen, Yuechun Gu, Wenjin Liu, Keke Chen·· 13 小时前AI 评分22
推荐系统成员推理攻击（MIA）综述
Membership Inference Attacks on Recommender System: A Survey
AI 导读
一篇综述首次系统梳理了推荐系统（RecSys）上的成员推理攻击（MIA），这类攻击可推断某条用户交互记录是否被用于训练目标模型，从而直接造成隐私泄露。文章指出传统 MIA 因推荐系统存在不可见的后验概率而不适用，并给出按特征划分的统一分类体系，分析各类方法的优缺点及攻防挑战。该综述已被 ACM TOIS 送审，并基于现有局限提出若干未来研究方向。
正文 · AI 翻译
摘要：推荐系统（RecSys）已广泛应用于电子商务、金融、医疗、社交媒体等各种场景，并在塑造用户行为和决策方面日益具有影响力，凸显了其在各领域不断增长的影响。然而，近期研究表明，RecSys 易受成员推断攻击（MIA）的影响，此类攻击旨在推断用户交互记录是否被用于训练目标模型。针对 RecSys 模型的 MIA 可直接导致隐私泄露。例如，通过识别某条购买记录曾被用于训练与特定用户关联的 RecSys 这一事实，攻击者可以推断出该用户的特殊癖好。近年来，MIA 已被证明在其他机器学习任务上有效，例如分类模型和自然语言处理。然而，由于后验概率不可见，传统 MIA 并不适用于 RecSys。尽管针对 RecSys 的 MIA 是一个新兴且快速发展的研究领域，但目前尚无关于该主题的系统性综述。本文首次对 RecSys MIA 进行全面综述。本综述全面回顾了 RecSys MIA 的最新进展，探讨了这一新兴领域的设计原理、挑战、攻击与防御。我们提供了一个统一的分类体系，根据不同的特征对各类 RecSys MIA 进行分类，并讨论其优缺点。基于本综述中发现的局限性和空白，我们指出了若干有前景的未来研究方向，以启发希望从事该领域研究的人员。本综述不仅可为研究界提供参考，也为该研究领域之外的研究人员提供了清晰的描述。
| 评论： | ACM TOIS 审稿中 |
| 主题： | 信息检索（cs.IR）；人工智能（cs.AI）；密码学与安全（cs.CR） |
| 引用为： | arXiv:2509.11080 [cs.IR] |
| （或本版本的 arXiv:2509.11080v5 [cs.IR]） | |
| https://doi.org/10.48550/arXiv.2509.11080 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jiajie He [查看邮箱]
[v1]
2025年9月14日星期日 04:06:03 UTC（37 KB）
[v2]
2025年10月27日星期一 05:12:35 UTC（45 KB）
[v3]
2026年1月8日星期四 00:15:19 UTC（1,660 KB）
[v4]
2026年9月11日星期五 02:20:08 UTC（1,111 KB）
[v5]
2026年10月29日星期四 02:29:26 UTC（3,404 KB）
来源：arXiv cs.AI · arxiv.org