論文の概要: Summary Reports Optimization in the Privacy Sandbox Attribution Reporting API

• arxiv url: http://arxiv.org/abs/2311.13586v1
• Date: Wed, 22 Nov 2023 18:45:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 13:16:38.668416
• Title: Summary Reports Optimization in the Privacy Sandbox Attribution Reporting API
• Title（参考訳）: プライバシサンドボックス属性レポートAPIの最適化に関する概要報告
• Authors: Hidayet Aksu, Badih Ghazi, Pritish Kamath, Ravi Kumar, Pasin Manurangsi, Adam Sealfon, Avinash V Varadarajan,
• Abstract要約: Attribution Reporting APIは、Google Chromeがアトリビューションレポートの基本的な広告機能をサポートするためにデプロイしたものだ。 本稿では,API からの要約報告に対して,コントリビューション予算の配分を最適化する手法を提案する。
• 参考スコア（独自算出の注目度）: 51.00674811394867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Privacy Sandbox Attribution Reporting API has been recently deployed by Google Chrome to support the basic advertising functionality of attribution reporting (aka conversion measurement) after deprecation of third-party cookies. The API implements a collection of privacy-enhancing guardrails including contribution bounding and noise injection. It also offers flexibility for the analyst to allocate the contribution budget. In this work, we present methods for optimizing the allocation of the contribution budget for summary reports from the Attribution Reporting API. We evaluate them on real-world datasets as well as on a synthetic data model that we find to accurately capture real-world conversion data. Our results demonstrate that optimizing the parameters that can be set by the analyst can significantly improve the utility achieved by querying the API while satisfying the same privacy bounds.
• Abstract（参考訳）: Privacy Sandbox Attribution Reporting APIは先頃,サードパーティクッキーの廃止後のアトリビューションレポート(コンバージョン測定)の基本的な広告機能をサポートするために,Google Chromeによってデプロイされたものだ。 このAPIは、コントリビューションバウンディングやノイズ注入を含む、プライバシ強化ガードレールのコレクションを実装している。 また、アナリストがコントリビューション予算を割り当てる柔軟性も提供します。 本稿では,属性レポートAPIからの要約レポートに対して,コントリビューション予算の配分を最適化する手法を提案する。 実世界のデータセットと、実世界の変換データを正確にキャプチャする合成データモデルで評価する。 以上の結果から,アナリストが設定できるパラメータを最適化することで,同一のプライバシ境界を満足しながらAPIをクエリすることで実現される利便性を著しく向上できることが示された。

関連論文リスト

• PDC-FRS: Privacy-preserving Data Contribution for Federated Recommender System [15.589541738576528]
  フェデレートされたレコメンデーションシステム(FedRecs)は、デバイス上のレコメンデーションにおいてユーザのプライバシを保護するために人気のある研究方向として登場した。 FedRecsでは、ユーザーはデータをローカルに保持し、モデルパラメータを中央サーバにアップロードすることで、ローカルのコラボレーティブな情報のみをコントリビュートする。 本稿では,新しいフェデレーション・レコメンデーション・フレームワークであるPDC-FRSを提案する。具体的には,ユーザが異なるプライバシ保証でデータを共有できるように,プライバシ保護データコントリビューション機構を設計する。
  論文  参考訳（メタデータ） (2024-09-12T06:13:07Z)
• The Privacy-Utility Trade-off in the Topics API [0.34952465649465553]
  我々は、各インターネットユーザに対する再識別リスクと広告会社に提供するユーティリティについて、トピックスAPIを用いて分析する。 将来的なAPI更新のプライバシと実用性を評価するために、容易に適用可能なAPIパラメータのみに依存する理論的結果を提供する。
  論文  参考訳（メタデータ） (2024-06-21T17:01:23Z)
• Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
  既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。 負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
  論文  参考訳（メタデータ） (2024-05-31T14:21:04Z)
• Private Count Release: A Simple and Scalable Approach for Private Data Analytics [1.5773159234875098]
  差分プライバシーで正確なカウントを解放できるデータ分析システムを提案する。 私たちの提案は、異なる要素に対するユーザのコントリビューションバウンダリに依存していません。
  論文  参考訳（メタデータ） (2024-03-08T05:55:16Z)
• Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
  インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。 本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
  論文  参考訳（メタデータ） (2024-03-07T21:22:07Z)
• A proposal to increase data utility on Global Differential Privacy data based on data use predictions [0.2999888908665658]
  提案手法は,DP保護下で公表された統計をアナリストがどのように利用するかの予測に基づく。 この新しいアプローチは、プライバシー制約を妥協することなく、データの有用性を改善することができる。
  論文  参考訳（メタデータ） (2024-01-12T14:34:30Z)
• Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns [77.19390850643944]
  周波数属性パターン拡張変換器(FAPAT)を提案する。 FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。 FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T03:28:18Z)
• Adaptive REST API Testing with Reinforcement Learning [54.68542517176757]
  現在のテストツールは効率的な探索機構がなく、全ての操作とパラメータを等しく扱う。 現在のツールは、仕様にレスポンススキーマがない場合や、変種を示す場合に苦労している。 我々は、強化学習を取り入れた適応型REST APIテスト手法を提案し、探索中の操作を優先順位付けする。
  論文  参考訳（メタデータ） (2023-09-08T20:27:05Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)

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。