論文の概要: Attribute Inference from Interactive Targeted Ads

• arxiv url: http://arxiv.org/abs/2606.15209v1
• Date: Sat, 13 Jun 2026 09:14:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.056392
• Title: Attribute Inference from Interactive Targeted Ads
• Title（参考訳）: 対話型ターゲット広告からの属性推論
• Authors: Peihao Li,
• Abstract要約: ターゲット広告システムは、広告主が選択したオーディエンスと、目に見えるユーザーアクションを公開する広告ユニットをペアにすることができる。 広告主は、それを勧誘したキャンペーンと関連づけたままであれば、総合的なレポートだけでなく、ユーザーと結びついた観察を受けることができる。 私たちは、そのチャネルを属性推論のノイズの多いオラクルとしてモデル化します。
• 参考スコア（独自算出の注目度）: 1.3537117504260623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Targeted advertising systems can pair audiences selected by advertisers with ad units that expose visible user actions. When an interaction remains linked to the campaign that elicited it, the advertiser may receive an observation tied to a user rather than only an aggregate report. We model that channel as a noisy oracle for attribute inference. The model separates targeting predicates, exposure, interaction, and disclosure. These boundaries capture the gap between eligibility and delivery, and the gap between interaction and advertiser visibility. We build a reproducible benchmark using synthetic populations calibrated with public data, each with known sensitive labels. A generated campaign semantics layer provides topic variants and response priors. The simulator generates the ground truth, event traces, disclosed observations, and metrics. The evaluation compares Bayesian, supervised, positive and unlabeled, and adaptive attacks under common campaign and disclosure definitions. The final evaluation uses four topic variants, seven simulator seeds, and two interaction settings. Repeated campaigns with identity exposure produce measurable but bounded inference signal. At $160$ campaigns, Bayesian and supervised attacks reach about $0.64$ AUC in the main setting and about $0.65$ AUC in the higher interaction setting. Disclosure policy is the strongest control. Aggregate reporting removes the evaluated oracle input tied to users. Type filtering and randomized disclosure reduce the released signal. The result is a model, artifact, and defense evaluation method for privacy in interactive targeted advertising. The code is available at https://github.com/P-HOW/Interactive-Ad-Oracle.
• Abstract（参考訳）: ターゲット広告システムは、広告主が選択したオーディエンスと、目に見えるユーザーアクションを公開する広告ユニットをペアにすることができる。 広告主は、それを勧誘したキャンペーンと関連づけたままであれば、総合的なレポートだけでなく、ユーザーと結びついた観察を受けることができる。 私たちは、そのチャネルを属性推論のノイズの多いオラクルとしてモデル化します。 このモデルは、述語、露出、相互作用、開示をターゲットとする。 これらのバウンダリは、適性とデリバリのギャップと、インタラクションと広告主の可視性の間のギャップを捉えます。 我々は、公的なデータを校正した合成人口を用いて、それぞれが既知の機密ラベルを持つ再現可能なベンチマークを構築した。 生成されたキャンペーンセマンティクス層はトピックの変種とレスポンスの先行を提供する。 シミュレータは、真実、イベントトレース、明らかにされた観察、メトリクスを生成する。 この評価は、共通のキャンペーンおよび開示定義の下で、ベイズ的、監督的、ポジティブで、ラベルなし、適応的な攻撃と比較する。 最終的な評価では、4つのトピック変種、7つのシミュレータシード、2つのインタラクション設定を使用する。 同一性曝露による繰り返しのキャンペーンは測定可能なが有界な推論信号を生成する。 160ドルのキャンペーンで、ベイジアンと監督された攻撃はメインセッティングで約0.64ドルのAUC、より高い相互作用設定で約0.65ドルのAUCに達する。 開示政策は最強の統制である。 集約レポートは、ユーザと結びついた評価されたオラクル入力を削除します。 型フィルタリングとランダムな開示は、解放された信号を減らす。 その結果、インタラクティブなターゲット広告におけるプライバシのためのモデル、アーティファクト、および防衛評価手法が得られた。 コードはhttps://github.com/P-HOW/Interactive-Ad-Oracleで入手できる。

関連論文リスト

• Stop Tracking Me! Proactive Defense Against Attribute Inference Attack in LLMs [61.15237978606501]
  大規模言語モデルは、ユーザ生成テキストからプライベートなユーザー属性を推測することができる。 既存の匿名化ベースの防御は粗く、プライバシーを優先する要素を匿名化する際に単語レベルの精度が欠如している。 細粒度匿名化(TRACE)と推論防止最適化(RPS)を組み合わせた統合防衛フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-12T03:37:50Z)
• From Noise to Knowledge: Interactive Summaries for Developer Alerts [7.092554770996391]
  CLARITYは、インタラクティブな調査を通じてツール生成警告の解釈をサポートする。 CLARITYのルール推論アルゴリズムは、ユーザが警告を興味深くも興味も持たないものとしてマークするので、一般的な症状が現れる。 我々の評価は,CLARITYの能動的学習に基づく要約により,対話的警告感覚の創造が促進されることを示唆している。
  論文  参考訳（メタデータ） (2025-08-10T04:04:15Z)
• CBW: Towards Dataset Ownership Verification for Speaker Verification via Clustering-based Backdoor Watermarking [85.68235482145091]
  大規模音声データセットは貴重な知的財産となった。 本稿では,新しいデータセットのオーナシップ検証手法を提案する。 我々のアプローチはクラスタリングに基づくバックドア透かし(CBW)を導入している。 我々は,ベンチマークデータセットに対する広範な実験を行い,本手法の有効性とロバスト性を検証した。
  論文  参考訳（メタデータ） (2025-03-02T02:02:57Z)
• Mind the Gap! Static and Interactive Evaluations of Large Audio Models [55.87220295533817]
  大型オーディオモデル(LAM)は、音声ネイティブな体験をパワーアップするために設計されている。 本研究は,484名の参加者から,LAMを評価し,7,500名のLAMインタラクションを収集する対話的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-21T20:29:02Z)
• FreeA: Human-object Interaction Detection using Free Annotation Labels [9.47028064037262]
  FreeAは自己適応型言語駆動型HOI検出法である。 手動のアノテーションを必要とせずに、潜在HOIラベルを生成する。 監督の弱いHOIコンペティターの間で最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-03-04T08:38:15Z)
• Deep Group Interest Modeling of Full Lifelong User Behaviors for CTR Prediction [32.35797628133921]
  Deep Group Interest Network (DGIN) は、ユーザーの行動履歴をモデル化するエンド・ツー・エンドの手法である。 DGINグルーピングはO(104)からO(102)までの行動長を著しく減少させる 我々は、生涯の行動シーケンスから、同じ項目_idと候補項目を共有する行動のサブセットを同定する。
  論文  参考訳（メタデータ） (2023-11-15T06:36:11Z)
• Contextual Bandits for Advertising Campaigns: A Diffusion-Model Independent Approach (Extended Version) [73.59962178534361]
  拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。 この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。 本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
  論文  参考訳（メタデータ） (2022-01-13T22:06:10Z)

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。