ترجمه فارسی مقاله سیستم‌های توصیه‌گر واترمارکینگ

چکیده

Recommender systems embody significant commercial value and represent crucial intellectual property. However, the integrity of these systems is constantly challenged by malicious actors seeking to steal their underlying models. Safeguarding against such threats is paramount to upholding the rights and interests of the model owner. While model watermarking has emerged as a potent defense mechanism in various domains, its direct application to recommender systems remains unexplored and non-trivial. In this paper, we address this gap by introducing Autoregressive Out-of-distribution Watermarking (AOW), a novel technique tailored specifically for recommender systems. Our approach entails selecting an initial item and querying it through the oracle model, followed by the selection of subsequent items with small prediction scores. This iterative process generates a watermark sequence autoregressively, which is then ingrained into the model’s memory through training. To assess the efficacy of the watermark, the model is tasked with predicting the subsequent item given a truncated watermark sequence. Through extensive experimentation and analysis, we demonstrate the superior performance and robust properties of AOW. Notably, our watermarking technique exhibits high-confidence extraction capabilities and maintains effectiveness even in the face of distillation and fine-tuning processes.

چکیده به فارسی (ترجمه ماشینی)

سیستم های پیشنهادی ارزش تجاری قابل توجهی را نشان می دهند و نشان دهنده مالکیت معنوی مهم هستند.با این حال ، یکپارچگی این سیستم ها به طور مداوم توسط بازیگران مخرب که به دنبال سرقت مدلهای اساسی خود هستند ، به چالش می کشد.محافظت از چنین تهدیداتی مهم است که از حقوق و منافع مالک مدل حمایت کند.در حالی که علامت گذاری به مدل به عنوان یک مکانیسم دفاعی قدرتمند در حوزه های مختلف ظاهر شده است ، کاربرد مستقیم آن در سیستم های پیشنهادی ناشناخته و غیر مهم باقی مانده است.در این مقاله ، ما با معرفی علامت گذاری به صورت خودکار خارج از توزیع (AOW) ، یک تکنیک جدید که به طور خاص برای سیستم های پیشنهادی متناسب است ، به این شکاف می پردازیم.رویکرد ما مستلزم انتخاب یک مورد اولیه و پرس و جو از طریق مدل Oracle است و به دنبال آن انتخاب موارد بعدی با نمرات پیش بینی کوچک است.این فرایند تکراری یک توالی آبی را بطور خودکار ایجاد می کند ، که از طریق آموزش در حافظه مدل قرار می گیرد.برای ارزیابی اثربخشی علامت علامت ، این مدل وظیفه دارد با توجه به یک توالی علامت کوتاه ، مورد بعدی را پیش بینی کند.از طریق آزمایش و تجزیه و تحلیل گسترده ، ما عملکرد برتر و خصوصیات قوی AOW را نشان می دهیم.نکته قابل توجه ، تکنیک علامت گذاری ما قابلیت استخراج اعتماد به نفس بالا را نشان می دهد و حتی در مواجهه با فرآیندهای تقطیر و تنظیم دقیق ، اثربخشی را حفظ می کند.