論文の概要: FedAds: A Benchmark for Privacy-Preserving CVR Estimation with Vertical
Federated Learning
- arxiv url: http://arxiv.org/abs/2305.08328v1
- Date: Mon, 15 May 2023 03:34:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 16:08:21.593788
- Title: FedAds: A Benchmark for Privacy-Preserving CVR Estimation with Vertical
Federated Learning
- Title（参考訳）: FedAds: 垂直的フェデレーション学習によるプライバシー保護型CVR推定ベンチマーク
- Authors: Penghui Wei, Hongjian Dou, Shaoguo Liu, Rongjun Tang, Li Liu, Liang
Wang, Bo Zheng
- Abstract要約: 我々は,vFLによるCVR推定のための最初のベンチマークであるFedAdsを紹介する。
Alibabaの広告プラットフォームから収集された大規模な実世界のデータセットが含まれている。
また、効率を向上させるために、不整合データをvFLに組み込むことも検討している。
- 参考スコア（独自算出の注目度）: 18.64797975916808
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conversion rate (CVR) estimation aims to predict the probability of
conversion event after a user has clicked an ad. Typically, online publisher
has user browsing interests and click feedbacks, while demand-side advertising
platform collects users' post-click behaviors such as dwell time and conversion
decisions. To estimate CVR accurately and protect data privacy better, vertical
federated learning (vFL) is a natural solution to combine two sides' advantages
for training models, without exchanging raw data. Both CVR estimation and
applied vFL algorithms have attracted increasing research attentions. However,
standardized and systematical evaluations are missing: due to the lack of
standardized datasets, existing studies adopt public datasets to simulate a vFL
setting via hand-crafted feature partition, which brings challenges to fair
comparison. We introduce FedAds, the first benchmark for CVR estimation with
vFL, to facilitate standardized and systematical evaluations for vFL
algorithms. It contains a large-scale real world dataset collected from
Alibaba's advertising platform, as well as systematical evaluations for both
effectiveness and privacy aspects of various vFL algorithms. Besides, we also
explore to incorporate unaligned data in vFL to improve effectiveness, and
develop perturbation operations to protect privacy well. We hope that future
research work in vFL and CVR estimation benefits from the FedAds benchmark.
- Abstract（参考訳）: コンバージョン率(CVR)推定は、ユーザーが広告をクリックすると変換イベントの確率を予測することを目的としている。
通常、オンラインパブリッシャはユーザーのブラウジングやフィードバックをクリックし、デマンドサイドの広告プラットフォームは、居住時間やコンバージョン決定などのクリック後の行動を収集している。
CVRを正確に推定し、データのプライバシーをよりよく保護するために、垂直連合学習(vFL)は、生データを交換することなく、トレーニングモデルの双方の利点を組み合わせる自然なソリューションである。
CVR推定と応用vFLアルゴリズムの両方が研究の注目を集めている。
標準化されたデータセットが不足しているため、既存の研究では、手作りのフィーチャーパーティションを通じてvFL設定をシミュレートするパブリックデータセットを採用しており、公正な比較に課題をもたらしている。
我々は,vFLアルゴリズムの標準化と体系的評価を容易にするために,vFLによるCVR推定のための最初のベンチマークであるFedAdsを紹介する。
alibabaの広告プラットフォームから収集された大規模な実世界データセットと、様々なvflアルゴリズムの有効性とプライバシー面の両方の体系的な評価が含まれている。
さらに,不整合データをvFLに組み込んで有効性を向上し,プライバシー保護のために摂動操作を開発することも検討している。
今後fedAdsベンチマークによるvFLおよびCVR推定における研究成果の恩恵を期待する。
関連論文リスト
- UIFV: Data Reconstruction Attack in Vertical Federated Learning [5.404398887781436]
Vertical Federated Learning (VFL)は、参加者が生のプライベートデータを共有することなく、協調的な機械学習を促進する。
近年の研究では、学習プロセス中にデータ漏洩によって、敵が機密性を再構築する可能性のあるプライバシーリスクが明らかにされている。
我々の研究は、実用的なVFLアプリケーションに真の脅威をもたらす、VFLシステム内の深刻なプライバシー上の脆弱性を露呈する。
論文 参考訳（メタデータ） (2024-06-18T13:18:52Z) - A Bargaining-based Approach for Feature Trading in Vertical Federated
Learning [54.51890573369637]
本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。
当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
論文 参考訳（メタデータ） (2024-02-23T10:21:07Z) - VertiBench: Advancing Feature Distribution Diversity in Vertical
Federated Learning Benchmarks [31.08004805380727]
本稿では,VFLの性能に影響を及ぼす2つの要因について紹介する。
また、画像イメージのVFLシナリオの欠点に対応するために、実際のVFLデータセットも導入する。
論文 参考訳（メタデータ） (2023-07-05T05:55:08Z) - Low-Latency Cooperative Spectrum Sensing via Truncated Vertical
Federated Learning [51.51440623636274]
データプライバシを損なうことなく、複数のセカンダリユーザ(SU)にまたがる分散機能を活用できる垂直連合学習(VFL)フレームワークを提案する。
学習プロセスの高速化を目的として,T-VFL(Truncated vertical Federated Learning)アルゴリズムを提案する。
T-VFLの収束性能は、数学的解析によって提供され、シミュレーション結果によって正当化される。
論文 参考訳（メタデータ） (2022-08-07T10:39:27Z) - FairVFL: A Fair Vertical Federated Learning Framework with Contrastive
Adversarial Learning [102.92349569788028]
本稿では,VFLモデルの公平性を改善するために,FairVFL( Fair vertical federated learning framework)を提案する。
FairVFLの中核となる考え方は、分散化された機能フィールドに基づいたサンプルの統一的で公正な表現を、プライバシ保護の方法で学習することである。
ユーザのプライバシ保護のために,サーバ内の統一表現からプライベート情報を除去する対向学習手法を提案する。
論文 参考訳（メタデータ） (2022-06-07T11:43:32Z) - Differentially Private AUC Computation in Vertical Federated Learning [21.692648490368327]
ラベルDPをvFLで使用する場合,広く使用されているAUC(Area under curve)メトリックをより正確に計算できる2つの評価アルゴリズムを提案する。
大規模な実験により,我々のアルゴリズムはベースラインよりも精度の高いAUCを実現できることを示す。
論文 参考訳（メタデータ） (2022-05-24T23:46:21Z) - Desirable Companion for Vertical Federated Learning: New Zeroth-Order
Gradient Based Algorithm [140.25480610981504]
VFLアルゴリズムを評価するための指標の完全なリストには、モデル適用性、プライバシ、通信、計算効率が含まれるべきである。
ブラックボックスのスケーラビリティを備えた新しいVFLフレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-19T13:55:47Z) - Data Valuation for Vertical Federated Learning: A Model-free and
Privacy-preserving Method [14.451118953357605]
FedValueは、VFL(Vertical Federated Learning)のためのプライバシ保護、タスク固有、モデルフリーなデータ評価手法である。
まず,機械学習モデルを実行する必要なく,予測分析タスクへのデータパーティの貢献を評価する。
次に、プライバシ保存方式で各データパーティのMShapley-CMI値を算出する革新的なフェデレーション手法を開発する。
論文 参考訳（メタデータ） (2021-12-15T02:42:28Z) - Local Learning Matters: Rethinking Data Heterogeneity in Federated
Learning [61.488646649045215]
フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
論文 参考訳（メタデータ） (2021-11-28T19:03:39Z) - A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。
Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。
本稿では,FL に対応する SV の変種を提案する。
論文 参考訳（メタデータ） (2020-09-14T04:37:54Z) - Hybrid Differentially Private Federated Learning on Vertically
Partitioned Data [41.7896466307821]
垂直統合学習(VFL)のためのDPフレームワークであるHDP-VFLについて述べる。
我々は、VFLの中間結果(IR)が、コミュニケーション中にトレーニングデータのプライベート情報を漏洩させる方法について分析する。
数学的には、我々のアルゴリズムはVFLのユーティリティ保証を提供するだけでなく、マルチレベルプライバシも提供することを証明している。
論文 参考訳（メタデータ） (2020-09-06T16:06:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。