Un ricercatore capace di scrivere recensioni perfette, coerenti e indistinguibili da quelle umane, moltiplicato per migliaia di account fittizi: è lo scenario che oggi minaccia i sistemi di raccomandazione online, e che rende urgente un nuovo approccio al rilevamento attacchi shilling LLM. Il problema, descritto in un nuovo studio firmato da Rakesh Thakur, nasce da un fatto tanto semplice quanto preoccupante: i modelli linguistici di grandi dimensioni sono ormai capaci di generare profili falsi, recensioni fluenti e valutazioni coerenti su vasta scala, riuscendo a superare sistematicamente le difese pensate per bloccare le manipolazioni artificiali dei rating.
Summary
Punti chiaveLa sfida degli attacchi shilling generati da LLMAgenti LLM sfuggono alle difese attualiI limiti dei rilevatori solo testo o solo grafoTH-GNN: una rete neurale a grafo temporale eterogeneaArchitettura e attenzione cross-modaleCome TH-GNN modella il burst temporale con il GRUPerformance nel rilevamento degli attacchi shilling generati da LLMIl punteggio F1 su cinque famiglie di attacchi e quattro datasetIl confronto con i modelli solo testo e la robustezza a basse iniezioniFAQPerché gli agenti LLM rappresentano una sfida per le difese dei sistemi di raccomandazione?Quali sono i limiti dei rilevatori basati solo su testo o solo su grafo nel riconoscere gli attacchi shilling?In che modo TH-GNN migliora il rilevamento degli attacchi shilling rispetto ai metodi precedenti?Qual è il guadagno di performance di TH-GNN rispetto ai modelli basati solo su testo?
