数据洞察空间中的隐私保护转化建模
机器学习
2025-05-22 v1 信息检索
摘要
在在线广告领域，准确预测转化率（CVR）对于提升广告效能和用户满意度至关重要。本文针对遵循用户隐私偏好和广告商需求的CVR预测挑战，提出了一种新型模型训练框架，使在不与广告平台共享样本级梯度的前提下实现协作模型训练。我们的 метод引入了若干创新组件：(1) 采用批级聚合梯度而非样本级梯度，以降低隐私风险；(2) 应用基于适配器的参数高效微调和梯度压缩以减少通信开销；(3) 采用去偏技术，在标签差分隐私下训练模型，维持准确性 despite 隐私增强的标签扰动。我们的实验结果表明，在工业数据集上，本方法在保持竞争性ROCAUC性能的同时，显著降低通信开销，并符合广告商隐私要求和用户隐私选择。该框架为数字广告领域的隐私保护、高性能CVR预测树立了新标准。
引用
@article{arxiv.2505.14959,
title = {Privacy Preserving Conversion Modeling in Data Clean Room},
author = {Kungang Li and Xiangyi Chen and Ling Leng and Jiajing Xu and Jiankai Sun and Behnam Rezaei},
journal= {arXiv preprint arXiv:2505.14959},
year = {2025}
}
备注
Published in Proceedings of the 18th ACM Conference on Recommender Systems. 2024 (RecSys '24)