Theoretical results are also emergi

Theoretical results are also emerging to support the robustness of particular
classes of model-based algorithm. In [35], a manipulation-resistant class of collaborative filtering algorithm is proposed for which robustness is proved, in the sense
that the effect of any attack on the ratings provided to an end-user diminishes with
increasing number of products rated by the end-user. Here, effectiveness is measured
in terms of a measure of the average distortion introduced by the attack to the ratings
provided to the user. The class of algorithms for which the proof holds is referred to
as a linear probabilistic collaborative filtering. In essence, the system is modelled as
outputting a probability mass function (PMF) over the possible ratings and in linear
algorithms, the PMF of the attacked system can be written as a weighted sum of the
PMF obtained considering only genuine profiles and that obtained considering only
attack profiles. Robustness is obtained, because, as the user supplies more ratings,
the contribution of the genuine PMF to the overall PMF begins to dominate. The
authors show that, while nearest neighbour algorithms are not linear in this sense,
some well-known model-based algorithms such as the naive-bayes algorithm are
asymptotically linear.

ผลลัพธ์ (ไทย) 1:

ทฤษฎีผลเกิดขึ้นใหม่ยังสนับสนุนเสถียรภาพของเฉพาะห้องเรียนตามแบบจำลองขั้นตอนวิธี ใน [35], คลาจัดการทนของอัลกอริทึม filtering ร่วมนำเสนอซึ่งเสถียรภาพเป็นเครื่องพิสูจน์ ในความรู้สึกผลของการจัดอันดับให้กับผู้ใช้การโจมตีใด ๆ ค่อย ๆ หายไปด้วยเพิ่มจำนวนผลิตภัณฑ์คะแนนผู้ใช้ ที่นี่ วัดประสิทธิภาพในวัดเพี้ยนเฉลี่ยนำไปจัดอันดับ โดยการโจมตีแก่ผู้ใช้ คลาสของอัลกอริทึมที่มีหลักฐานถูกอ้างอิงถึงเป็นแบบเชิงเส้น probabilistic ร่วม filtering ในสาระสำคัญ ระบบจะคือ แบบจำลองเป็นความน่าเป็นโดยรวมฟังก์ชัน (PMF) แสดงผลการจัดอันดับเป็นไปได้ และ ในเส้นอัลกอริทึม PMF ระบบโจมตีอยู่เสมอก็สามารถเขียนเป็นผลรวมแบบถ่วงน้ำหนักของการPMF รับพิจารณาเฉพาะ profiles ของแท้และที่ได้รับการพิจารณาเท่านั้นโจมตี profiles เสถียรภาพเป็นได้ เนื่องจาก เป็นผู้จัดอันดับเพิ่มเติม อุปกรณ์สรร PMF แท้เพื่อ PMF โดยรวมเริ่มครอง ที่ผู้เขียนแสดงว่า ในขณะที่อัลกอริทึม neighbour ไม่เชิงเส้นในนี้มีบางรู้จักแบบจำลองตามอัลกอริทึมเช่นอัลกอริทึม bayes ขำน่าasymptotically เชิงเส้น

ผลลัพธ์ (ไทย) 2:

ผลการวิเคราะห์ที่เกิดขึ้นใหม่นอกจากนี้ยังให้การสนับสนุนโดยเฉพาะอย่างยิ่งความทนทานของ
ชั้นเรียนของอัลกอริทึมแบบที่ใช้ ใน [35], ชั้นทนการจัดการของอัลกอริทึม ltering สายการทำงานร่วมกันเป็นข้อเสนอที่ทนทานพิสูจน์ในแง่ที่
ว่าผลกระทบของการโจมตีใด ๆ เกี่ยวกับการจัดอันดับให้กับผู้ใช้ปลายทางลดลงด้วย
จำนวนที่เพิ่มขึ้นของผลิตภัณฑ์ที่จัดอันดับโดยสิ้น ที่ผู้ใช้ ที่นี่เป็นวัดที่มีประสิทธิภาพ
ในแง่ของตัวชี้วัดของการบิดเบือนเฉลี่ยนำโดยโจมตีการจัดอันดับ
ให้กับผู้ใช้ ระดับของขั้นตอนวิธีที่พิสูจน์ถือจะเรียกว่า
เป็น ltering ไฟเชิงเส้นน่าจะทำงานร่วมกัน ในสาระสำคัญระบบจะจำลองเป็น
การแสดงผลความน่าจะเป็นฟังก์ชั่นมวล (PMF) มากกว่าการให้คะแนนที่เป็นไปได้และในเชิงเส้น
ขั้นตอนวิธีการ PMF ของระบบโจมตีสามารถเขียนเป็นผลรวมถ่วงน้ำหนักของ
PMF ที่ได้รับการพิจารณาไฟโปรของแท้เท่านั้น les และได้รับการพิจารณา เพียง
โจมตีโปรไฟ les ทนทานได้เพราะเป็นผู้ใช้วัสดุการจัดอันดับมากขึ้น
ผลงานของ PMF แท้ PMF โดยรวมเริ่มที่จะครอง
ผู้เขียนแสดงให้เห็นว่าในขณะที่เพื่อนบ้านที่ใกล้ที่สุดขั้นตอนวิธีการเชิงเส้นไม่ได้ในความรู้สึกนี้
บางคนที่รู้จักกันดีอัลกอริทึมที่ใช้รูปแบบเช่นอัลกอริทึมที่ไร้เดียงสา-Bayes เป็น
เชิงเส้น asymptotically

ผลลัพธ์ (ไทย) 3:

ผลทางทฤษฎียังเกิดใหม่เพื่อสนับสนุนความแข็งแกร่งของชั้นเรียนโดยเฉพาะอย่างยิ่งสำหรับ
ของขั้นตอนวิธี ใน [ 35 ] การจัดการเรียนแบบร่วมมือ ltering ทนจึงนำเสนอวิธีการที่พิสูจน์ความแกร่งในความรู้สึก
ว่าผลของการโจมตีใด ๆในการจัดอันดับให้กับผู้ใช้ด้วยการจีบ
จำนวนของผลิตภัณฑ์ที่จัดอันดับโดยผู้ใช้ . ที่นี่ประสิทธิผลวัด
ในแง่ของการวัดค่าเฉลี่ยการแนะนำโดยการโจมตีเพื่อจัดอันดับ
ให้กับผู้ใช้ ชั้นเรียนของขั้นตอนวิธีที่พิสูจน์ได้อ้างอิง
เป็นเชิงเส้นการร่วมกันจึง ltering . ในสาระสำคัญ , ระบบจำลองที่สร้างฟังก์ชันมวลความน่าจะเป็น
( PMF ) มากกว่าคะแนนที่เป็นไปได้และในขั้นตอนวิธีเชิงเส้น
,โดย PMF ของโจมตีระบบสามารถเขียนเป็นผลรวมถ่วงน้ำหนักของ PMF ได้พิจารณาเฉพาะของแท้
Pro จึงเล และได้รับการพิจารณาเพียง
โจมตี Pro จึงเลส ทนทานได้ เพราะเป็นผู้ใช้วัสดุคะแนนมากขึ้น
ผลงานของ PMF แท้กับระบบโดยรวมเริ่มไปครอง .
เขียน แสดงให้เห็นว่าในขณะที่เพื่อนบ้านที่ใกล้ที่สุดแบบไม่เชิงเส้นในความรู้สึกนี้ ,
บางที่รู้จักกันดีสำหรับอัลกอริทึมเช่นวิธี Bayes ไร้เดียงสาอยู่

asymptotically เชิงเส้น