盲目标定：第三方隐私约束下的个性化

主要广告平台最近通过限制广告商对个体层面数据的访问来加强隐私保护。平台不再提供对细粒度原始数据的访问，而是仅允许对数据集进行有限数量的聚合查询，并且这些查询进一步受到差分隐私噪声的保护。本文研究了在这些限制性的隐私保护数据环境中，广告商是否以及如何设计有效的定向策略。为此，我开发了一种基于贝叶斯优化的概率机器学习方法，该方法促进了动态数据探索。由于贝叶斯优化旨在从函数中采样点以找到其最大值，因此它不适用于聚合查询和定向任务。因此，我引入了两项创新：(i) 后验的积分更新，允许选择数据中要查询的最佳区域而非单个点；(ii) 一种定向感知的采集函数，能够动态选择对定向任务信息量最大的区域。我确定了需要这种“智能”查询策略的数据集和隐私环境条件。我将这种策略性查询方法应用于 Criteo AI Labs 的提升建模数据集（Diemert et al., 2018），该数据集包含 1400 万用户的访问和转化数据。我表明，在某些情况下，一个直观的基准策略仅能达到非隐私保护定向潜力的 33%，而我的策略性查询方法能达到该潜力的 97-101%，并且在统计上与因果森林（Athey et al., 2019）——一种最先进的非隐私保护机器学习定向方法——无法区分。