論文の概要: Inconsistencies in Classification of Online News Articles: A Call for Common Standards in Brand Safety Services
- arxiv url: http://arxiv.org/abs/2601.01303v1
- Date: Sat, 03 Jan 2026 23:45:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-06 16:25:22.180194
- Title: Inconsistencies in Classification of Online News Articles: A Call for Common Standards in Brand Safety Services
- Title（参考訳）: オンラインニュース記事の分類における矛盾:ブランドセーフティサービスにおける共通標準の呼びかけ
- Authors: Michael Smith, Riley Grossman, Antonio Torres-Aguero, Pritam Sen, Cristian Borcea, Yi Chen,
- Abstract要約: 本研究は,三大ブランド安全提供者の格付けを分析した結果,オンラインニュース記事のブランド安全分類の不整合性について検討した。
我々は、デジタル広告エコシステムに対する現行のシステムによる有害な影響を軽減するための、標準化された透明なブランド安全システムについて論じる。
- 参考スコア（独自算出の注目度）: 4.922195818656347
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study examines inconsistencies in the brand safety classifications of online news articles by analyzing ratings from three leading brand safety providers, DoubleVerify, Integral Ad Science, and Oracle. We focus on news content because of its central role in public discourse and the significant financial consequences of unsafe classifications in a sector that is already underserved by digital ad spending. By collecting data from 4,352 news articles on 51 domains, our analysis shows that brand safety services often produce conflicting classifications, with significant discrepancies between providers. These inconsistencies can have harmful consequences for both advertisers and publishers, leading to misplaced advertising spending and revenue losses. This research provides critical insights into the shortcomings of the current brand safety landscape. We argue for a standardized and transparent brand safety system to mitigate the harmful effects of the current system on the digital advertising ecosystem.
- Abstract（参考訳）: 本研究は,大手ブランド安全プロバイダであるDoubleVerify,Integral Ad Science,Oracleの3社による評価を分析した結果,オンラインニュース記事のブランド安全分類の不整合性について検討した。
我々は、公開談話における中心的な役割と、既にデジタル広告費によって守られている分野における安全でない分類の重大な経済的影響のために、ニュースコンテンツに焦点を当てている。
51のドメインに関する4,352件のニュース記事からデータを収集することで、ブランドの安全サービスがしばしば相反する分類を生み出し、プロバイダ間で大きな違いがあることを示している。
これらの矛盾は、広告主とパブリッシャーの両方にとって有害な結果をもたらす可能性がある。
この研究は、現在のブランドの安全景観の欠点に関する重要な洞察を提供する。
我々は、デジタル広告エコシステムに対する現行のシステムによる有害な影響を軽減するための、標準化された透明なブランド安全システムについて論じる。
関連論文リスト
- SafeRBench: A Comprehensive Benchmark for Safety Assessment in Large Reasoning Models [60.8821834954637]
LRMの安全性をエンドツーエンドに評価する最初のベンチマークであるSafeRBenchを紹介する。
私たちは、リスクカテゴリとレベルを入力設計に組み込んだ先駆者です。
我々は,長い推論トレースを意味的に一貫性のある単位にセグメント化するためのマイクロシンクのチャンキング機構を導入する。
論文 参考訳（メタデータ） (2025-11-19T06:46:33Z) - Conflicting Scores, Confusing Signals: An Empirical Study of Vulnerability Scoring Systems [4.286337370812793]
この研究は、4つの公開脆弱性スコアリングシステムの大規模な結果リンクによる実験的な比較を初めて提供する。
私たちは、MicrosoftのPatch Tuesdayの4ヶ月の開示から得られた600の現実世界の脆弱性のデータセットを使用しています。
論文 参考訳（メタデータ） (2025-08-19T08:54:58Z) - A Taxonomy of Real-World Defeaters in Safety Assurance Cases [4.4398355848251745]
ソフトウェアエンジニアリングコミュニティは、ソフトウェア保証ケースにおける現実世界の敗者の再利用可能な分類の恩恵を受けることができる。
安全クリティカルシステムにおける敗者の分析・管理を標準化するための基礎を築き,7つの幅広いカテゴリーの分類学を導出した。
論文 参考訳（メタデータ） (2025-02-01T00:38:41Z) - SafetyAnalyst: Interpretable, Transparent, and Steerable Safety Moderation for AI Behavior [56.10557932893919]
我々は、新しいAI安全モデレーションフレームワークであるSafetyAnalystを紹介する。
AIの振る舞いを考えると、SafetyAnalystはチェーン・オブ・シークレット・推論を使用してその潜在的な結果を分析する。
効果を28個の完全に解釈可能な重みパラメータを使って有害度スコアに集約する。
論文 参考訳（メタデータ） (2024-10-22T03:38:37Z) - Turning the Tide on Dark Pools? Towards Multi-Stakeholder Vulnerability Notifications in the Ad-Tech Supply Chain [12.425164873579574]
ダークプールの緩和を目的とした脆弱性通知キャンペーンの有効性について検討した。
当社の9ヶ月にわたるマルチステークホルダー通知調査は、通知がダークプールの脆弱性を減らす効果的な方法であることを示している。
オンライン広告エコシステムをターゲットとする最初の通知研究であるだけでなく、脆弱性通知において、マルチステークホルダーのコンテキストを初めて研究しました。
論文 参考訳（メタデータ） (2024-06-11T05:31:29Z) - Beyond Toxic: Toxicity Detection Datasets are Not Enough for Brand
Safety [0.0]
ブランド安全は、広告が表示されないコンテキストを特定することで、商業ブランドを保護することを目的としている。
我々は、一般的な毒性検出データセットを応用して、ブランドの安全特定データセットを構築する必要性を実証する。
テキスト分類における重み付けサンプリング戦略の効果を実証分析する。
論文 参考訳（メタデータ） (2023-03-27T11:29:09Z) - Foveate, Attribute, and Rationalize: Towards Physically Safe and
Trustworthy AI [76.28956947107372]
包括的不安全テキストは、日常的なシナリオから生じる可能性のある特定の関心領域であり、有害なテキストを検出するのが困難である。
安全の文脈において、信頼に値する合理的な生成のために外部知識を活用する新しいフレームワークであるFARMを提案する。
実験の結果,FARMはSafeTextデータセットの最先端結果を得ることができ,安全性の分類精度が5.9%向上したことがわかった。
論文 参考訳（メタデータ） (2022-12-19T17:51:47Z) - Enhancing Product Safety in E-Commerce with NLP [2.895747769560711]
本稿では,大規模多国籍eコマースプラットフォームであるZalandoが自然言語処理技術をどのように利用するかを示す。
Zalandoの顧客に関する安全問題の種類を体系的に説明します。
我々は、この中核となるビジネス問題を、高度に不均衡でノイズの多い多言語データを持つ教師付きテキスト分類問題にどのようにマッピングするかを実証する。
論文 参考訳（メタデータ） (2022-10-25T22:10:30Z) - Incentives for Item Duplication under Fair Ranking Policies [69.14168955766847]
重複が存在する場合の様々な公正ランキングポリシーの振る舞いについて検討する。
適合性にのみ焦点を絞った政策よりも、重複を動機付ける可能性を秘めているため、公正を意識したランキングポリシーは多様性と矛盾する可能性がある。
論文 参考訳（メタデータ） (2021-10-29T11:11:15Z)
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。