論文の概要: Privacy-Robust Incrementality Measurement for Advertising Systems under Signal Loss

• arxiv url: http://arxiv.org/abs/2606.03878v1
• Date: Tue, 02 Jun 2026 16:46:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.17492
• Title: Privacy-Robust Incrementality Measurement for Advertising Systems under Signal Loss
• Title（参考訳）: 信号損失下における広告システムのプライバシ・ロバストインクリメンティ測定
• Authors: Prashant Shekhar, Caroline Howard,
• Abstract要約: 広告プラットフォームは、漸進性を測定するためにランダム化リフトテストを使用する。 プライバシ保存レポートシステムは、マッチレート損失、リンク可能性損失、属性ウィンドウ損失、アグリゲーション閾値抑制、ランダム化された報告ノイズ、セグメント不均一な信号損失を通じて、観測された信号を劣化させる。 本稿では、上記の信号損失に基づいて、プライバシー制約のある広告計測をロバストな因果決定問題として定式化する。
• 参考スコア（独自算出の注目度）: 0.5013248430919224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advertising platforms use randomized lift tests to measure incrementality, but privacy-preserving reporting systems degrade the observed signal through match-rate loss, linkability loss, attribution-window loss, aggregation-threshold suppression, randomized reporting noise, and segment-heterogeneous signal loss. This paper formulates privacy-constrained advertising measurement as a robust causal decision problem under the mentioned signal losses. Given a randomized experiment and an ambiguity set for privacy-induced degradation, the framework projects the observation-compatible fiber of clean/unfiltered experimental worlds onto the incrementality functional and returns certified, rejected, and unresolved decisions. The main result gives a sharp decision frontier. Reports outside the frontier support uniformly valid certification or rejection, whereas reports inside it contain too little information for any method to uniformly distinguish above-threshold incrementality from non-incrementality. Supporting results give finite-sample certification, sample-complexity guarantees, a minimax lower bound showing that signal loss reduces effective information, and a reporting-granularity tradeoff. On 2.0M Criteo Uplift rows and the 64K-row Hillstrom email experiment, clean conversion lift is positive in both datasets, with lifts 0.00112 and 0.00495, respectively. Population certification survives mild degradation in Criteo and severe degradation in Hillstrom, while all considered finite-sample stress settings in both datasets remain unresolved after simultaneous uncertainty and reporting noise are included. Overall, the research contributes a decision-theoretic layer for privacy-aware incrementality measurement whose output is the strongest causal-claim justified by degraded ads signals.
• Abstract（参考訳）: 広告プラットフォームは、漸進性を測定するためにランダム化リフトテストを使用するが、プライバシー保護報告システムは、マッチレート損失、リンク可能性損失、属性ウィンドウ損失、アグリゲーション閾値抑制、ランダム化報告ノイズ、セグメント異種信号損失を通じて、観測された信号を劣化させる。 本稿では、上記の信号損失に基づいて、プライバシー制約のある広告計測をロバストな因果決定問題として定式化する。 ランダムな実験と、プライバシーによって引き起こされる劣化の曖昧さセットが与えられたフレームワークは、クリーン/アンフィルタされた実験世界の観察互換繊維をインクリメンタルな機能に投射し、認証され、拒否され、未解決な決定を返す。 主な結果は、明確な意思決定のフロンティアを与えます。 フロンティア外の報告は、一様に有効な認証または拒否を支持し、一方、その内部の報告には、上段の漸進性を非増分性から一様に区別するいかなる方法においても、情報が少ない。 その結果、有限サンプル認証、サンプル複雑度保証、信号損失が有効情報を減らすことを示すミニマックス下限、レポート・グラニュラリティトレードオフが提供される。 2.0M Criteo Uplift行と64K-row HillstromのEメール実験では、クリーンコンバージョンリフトは両方のデータセットでそれぞれ0.00112と0.00495で陽性である。 人口認証はCriteoの軽度劣化とヒルストロームの重度劣化に留まり、両データセットの有限サンプル応力設定は同時不確実性と報告ノイズを含むと未解決のままである。 全体として、この研究は、劣化した広告信号によって正当化される最大の因果判断である、プライバシーを意識した漸進性測定のための決定論的レイヤに貢献している。

関連論文リスト

• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• A Semi-Supervised Framework for Speech Confidence Detection using Whisper [3.3994598883947496]
  本稿では,Whisperエンコーダの深いセマンティック埋め込みを解釈可能な音響特徴ベクトルと融合する半教師付きハイブリッドフレームワークを提案する。 地盤の真理データへの依存を軽減するため,不確実性に配慮した擬似ラベル戦略を導入する。 実験の結果,提案手法はマクロF1スコアが0.751であり,自己教師付きベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2026-05-12T16:50:54Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• From Calibration to Refinement: Seeking Certainty via Probabilistic Evidence Propagation for Noisy-Label Person Re-Identification [40.73759251488672]
  既存のノイズロスのある人物Re-ID法は、ソフトマックス出力を用いた損失補正やサンプル選択方式に依存している。 本稿では,キャリブレーションからリファインメントへ伝播する確率的証拠を通じて確実性を求める2段階フレームワークであるCARE法を提案する。 精製段階では, クリーン試料とノイズ試料をより正確に識別できるエビデンス伝搬精製法(EPR)を設計する。
  論文  参考訳（メタデータ） (2026-02-26T15:50:15Z)
• Drainage: A Unifying Framework for Addressing Class Uncertainty [5.204620543649613]
  本稿では,ネットワークの出力に付加する「排水ノード」の概念に基づく統一的なフレームワークを提案する。 このメカニズムは、非常に曖昧で異常なサンプル、またはノイズのあるサンプルに対する自然な脱出経路を提供する。 我々の定式化は, 高雑音下での既存手法に比べて最大9%の精度向上を実現している。
  論文  参考訳（メタデータ） (2025-12-02T19:31:01Z)
• Semi-Supervised Regression with Heteroscedastic Pseudo-Labels [50.54050677867914]
  両レベル最適化の観点から,疑似ラベルの影響を動的に調整する不確実性認識型擬似ラベル化フレームワークを提案する。 我々は、様々なベンチマークSSRデータセットにまたがって、我々のアプローチを検証するための理論的洞察と広範な実験を提供する。
  論文  参考訳（メタデータ） (2025-10-17T03:06:23Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Distributional Shift-Aware Off-Policy Interval Estimation: A Unified Error Quantification Framework [8.572441599469597]
  本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。 目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。 提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
  論文  参考訳（メタデータ） (2023-09-23T06:35:44Z)
• Neighborhood Collective Estimation for Noisy Label Identification and Correction [92.20697827784426]
  ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。 近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。 提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
  論文  参考訳（メタデータ） (2022-08-05T14:47:22Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。