論文の概要: AdFL: In-Browser Federated Learning for Online Advertisement

• arxiv url: http://arxiv.org/abs/2602.06336v1
• Date: Fri, 06 Feb 2026 03:02:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.203332
• Title: AdFL: In-Browser Federated Learning for Online Advertisement
• Title（参考訳）: AdFL:ブラウザ内フェデレーションによるオンライン学習
• Authors: Ahmad Alemari, Pritam Sen, Cristian Borcea,
• Abstract要約: Federated Learning (FL)は、出版エコシステム内の他の利害関係者とユーザ生データを共有せずに、ユーザ間で分散学習を行う。 本稿では,ユーザの広告嗜好を学習するためにブラウザで動作するFLフレームワークであるAdFLについて述べる。 これらの嗜好はグローバルなFLモデルに集約され、ブラウザでより関連性の高い広告を表示するために使用される。
• 参考スコア（独自算出の注目度）: 1.8776930925900073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since most countries are coming up with online privacy regulations, such as GDPR in the EU, online publishers need to find a balance between revenue from targeted advertisement and user privacy. One way to be able to still show targeted ads, based on user personal and behavioral information, is to employ Federated Learning (FL), which performs distributed learning across users without sharing user raw data with other stakeholders in the publishing ecosystem. This paper presents AdFL, an FL framework that works in the browsers to learn user ad preferences. These preferences are aggregated in a global FL model, which is then used in the browsers to show more relevant ads to users. AdFL can work with any model that uses features available in the browser such as ad viewability, ad click-through, user dwell time on pages, and page content. The AdFL server runs at the publisher and coordinates the learning process for the users who browse pages on the publisher's website. The AdFL prototype does not require the client to install any software, as it is built utilizing standard APIs available on most modern browsers. We built a proof-of-concept model for ad viewability prediction that runs on top of AdFL. We tested AdFL and the model with two non-overlapping datasets from a website with 40K visitors per day. The experiments demonstrate AdFL's feasibility to capture the training information in the browser in a few milliseconds, show that the ad viewability prediction achieves up to 92.59% AUC, and indicate that utilizing differential privacy (DP) to safeguard local model parameters yields adequate performance, with only modest declines in comparison to the non-DP variant.
• Abstract（参考訳）: EUのGDPRなど、ほとんどの国でオンラインのプライバシー規制が生まれているため、オンラインパブリッシャーはターゲット広告からの収益とユーザーのプライバシーの間のバランスを見つける必要がある。 ユーザ個人や行動情報に基づいてターゲット広告を表示可能な方法のひとつは、出版エコシステム内の他の利害関係者とユーザの生データを共有することなく、ユーザ間で分散学習を行うFederated Learning(FL)を採用することだ。 本稿では,ユーザの広告嗜好を学習するためにブラウザで動作するFLフレームワークであるAdFLについて述べる。 これらの嗜好はグローバルなFLモデルに集約され、ブラウザでより関連性の高い広告を表示するために使用される。 AdFLは、広告表示性、広告クリックスルー、ページ上のユーザの滞在時間、ページコンテンツなど、ブラウザで利用可能な機能を使用するあらゆるモデルで動作することができる。 AdFLサーバはパブリッシャで動作し、パブリッシャのウェブサイトでページを閲覧するユーザのために学習プロセスを調整する。 AdFLのプロトタイプは、クライアントがソフトウェアをインストールする必要はなく、ほとんどのモダンなブラウザで利用可能な標準APIを利用して構築されている。 我々はAdFL上で動作する広告視聴可能性予測のための概念実証モデルを構築した。 私たちはAdFLとモデルを、ウェブサイトから重複しない2つのデータセットでテストしました。 実験では、AdFLがブラウザ内のトレーニング情報を数ミリ秒でキャプチャできる可能性を実証し、広告可視性予測が最大92.59%のAUCを達成することを示した。

関連論文リスト

• Private Federated Learning In Real World Application -- A Case Study [15.877427073033184]
  本稿では,エッジデバイス上でのPFL(Private Federated Learning)を用いた機械学習モデルトレーニングの実装について述べる。 本稿では,ユーザのプライベートデータを用いたモデルトレーニングの課題に対処するために,PFLを用いた新しいフレームワークを提案する。 このフレームワークは、ユーザーデータが個々のデバイスに留まることを保証する。
  論文  参考訳（メタデータ） (2025-02-06T23:38:50Z)
• Can Public Large Language Models Help Private Cross-device Federated Learning? [58.05449579773249]
  言語モデルのプライベート・フェデレーション・ラーニング(FL)について検討する。 公開データは、大小両方の言語モデルのプライバシーとユーティリティのトレードオフを改善するために使われてきた。 提案手法は,プライベートなデータ分布に近い公開データをサンプリングするための理論的基盤を持つ新しい分布マッチングアルゴリズムである。
  論文  参考訳（メタデータ） (2023-05-20T07:55:58Z)
• FedAds: A Benchmark for Privacy-Preserving CVR Estimation with Vertical Federated Learning [18.64797975916808]
  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。
  論文  参考訳（メタデータ） (2023-05-15T03:34:42Z)
• Visual Prompt Based Personalized Federated Learning [83.04104655903846]
  pFedPTと呼ばれる画像分類タスクのための新しいPFLフレームワークを提案し、クライアントのローカルデータ配信情報を暗黙的に表現するためにパーソナライズされた視覚的プロンプトを利用する。 CIFAR10とCIFAR100データセットの実験では、pFedPTは様々な設定でいくつかの最先端(SOTA)PFLアルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2023-03-15T15:02:15Z)
• Split Federated Learning on Micro-controllers: A Keyword Spotting Showcase [1.4794135558227681]
  フェデレートラーニング(Federated Learning)は,ユーザの生データをサーバに収集することなく,ローカルでモデルをトレーニングする,プライベートラーニングスキームとして提案されている。 本研究では,Arduinoボード上に単純なSFLフレームワークを実装し,90%以上の精度でキーワードスポッティングアプリケーションのための中国語桁音声データセットの正当性を検証した。 英数字音声データセットでは、SFL実装は最先端のFL実装と比較して13.89%高い精度を実現している。
  論文  参考訳（メタデータ） (2022-10-04T23:42:45Z)
• Vertical Semi-Federated Learning for Efficient Online Advertising [50.18284051956359]
  VFLの実践的な産業的応用を実現するために,Semi-VFL (Vertical Semi-Federated Learning) を提案する。 サンプル空間全体に適用可能な推論効率のよいシングルパーティ学生モデルを構築した。 新しい表現蒸留法は、重なり合うデータと非重なり合うデータの両方について、パーティ間の特徴相関を抽出するように設計されている。
  論文  参考訳（メタデータ） (2022-09-30T17:59:27Z)
• Privacy-Preserving Online Content Moderation: A Federated Learning Use Case [3.1925030748447747]
  フェデレートラーニング(Federated Learning, FL)は、ユーザのデバイス上でローカルにトレーニングを行うMLパラダイムである。 差分プライバシー(DP)を組み込んだオンラインコンテンツモデレーションのためのプライバシー保護FLフレームワークを提案する。 提案するFLフレームワークは,DP版と非DP版の両方において,集中型アプローチに近いものとなることを示す。
  論文  参考訳（メタデータ） (2022-09-23T20:12:18Z)
• 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)
• Inference-Time Personalized Federated Learning [17.60724466773559]
  推論時間 PFL (Inference-Time PFL) は、一連のクライアントでトレーニングされたモデルを、推論時に新しい未ラベルのクライアントで後で評価する必要がある場所である。 本稿では,ハイパーネットワークモジュールとエンコーダモジュールをベースとしたIT-PFL-HNを提案する。 IT-PFL-HNは、特に新規クライアントが大きなドメインシフトを持つ場合、現在のFL法やPFL法よりも一般化されている。
  論文  参考訳（メタデータ） (2021-11-16T10:57:20Z)

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。