FedAds：一种基于纵向联邦学习的隐私保护 CVR 估计基准
信息检索
2023-05-16 v1 机器学习
摘要
转化率（CVR）估计旨在预测用户点击广告后发生转化事件的概率。通常，在线发布方拥有用户浏览兴趣与点击反馈，而需求方广告平台收集用户的点击后行为（如停留时长与转化决策）。为了准确估计 CVR 并更好地保护数据隐私，纵向联邦学习（vFL）是一种自然解决方案，可在不交换原始数据的情况下结合双方优势训练模型。CVR 估计与所应用的 vFL 算法都吸引了越来越多的研究关注。然而，标准化与系统化的评估尚缺：由于缺乏标准化数据集，现有研究采用公开数据集通过手工特征划分模拟 vFL 设置，这给公平比较带来挑战。我们引入 FedAds，首个用于 vFL 的 CVR 估计基准，以促进对 vFL 算法的标准化与系统化评估。它包含从阿里巴巴广告平台收集的大规模真实世界数据集，以及对各种 vFL 算法在效果与隐私方面的系统化评估。此外，我们还探索在 vFL 中纳入未对齐数据以提升效果，并开发扰动操作以良好保护隐私。我们希望未来 vFL 与 CVR 估计的研究工作能从 FedAds 基准中受益。
引用
@article{arxiv.2305.08328,
title = {FedAds: A Benchmark for Privacy-Preserving CVR Estimation with Vertical Federated Learning},
author = {Penghui Wei and Hongjian Dou and Shaoguo Liu and Rongjun Tang and Li Liu and Liang Wang and Bo Zheng},
journal= {arXiv preprint arXiv:2305.08328},
year = {2023}
}
备注
SIGIR 2023, Resource Track