論文の概要: Integrated Marketing Attribution: A Bayesian Framework for Privacy-Safe Granular Measurement Anchored in MMM

• arxiv url: http://arxiv.org/abs/2606.16878v2
• Date: Tue, 16 Jun 2026 14:46:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 15:01:46.832969
• Title: Integrated Marketing Attribution: A Bayesian Framework for Privacy-Safe Granular Measurement Anchored in MMM
• Title（参考訳）: 統合マーケティングの属性:MMMで集計されたプライバシーに配慮した粒度測定のためのベイズ的フレームワーク
• Abstract要約: マーケティングミックスモデリング(MMM)とマルチタッチ属性(MTA)の2つの主要なアプローチは、断片化された洞察を生み出す。 我々は,MMMとチャネル固有ベイズ属性モデルを組み合わせて,キャンペーンレベルの効果を導出する統合的なフレームワークである統合マーケティング属性(IMA)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retail marketing measurement increasingly requires granular campaign-level insights without relying on user-level tracking. However, the two dominant approaches, Marketing Mix Modeling (MMM) and Multi-Touch Attribution (MTA), often produce fragmented insights. MMM is privacy-safe and robust for channel-level planning but is too coarse for campaign optimization, while MTA provides granular attribution but has become less reliable under increasing privacy restrictions. We propose Integrated Marketing Attribution (IMA), a unified framework that combines MMM with channel specific Bayesian attribution models to derive campaign-level effects from aggregated data. By leveraging MMM-informed priors, IMA delivers granular, privacy-safe attribution while preserving consistency with MMM.
• Abstract（参考訳）: 小売マーケティングの計測は、ユーザーレベルのトラッキングに頼ることなく、より詳細なキャンペーンレベルの洞察を必要としている。 しかし、マーケティングミックスモデリング(MMM)とマルチタッチ属性(MTA)の2つの主要なアプローチは、しばしば断片化された洞察を生み出す。 MMMは、プライバシーを保護し、チャネルレベルの計画には堅牢だが、キャンペーン最適化には大きすぎるが、MTAは細かい属性を提供するが、プライバシー制限の増大により信頼性が低下している。 我々は,MMMとチャネル固有ベイズ属性モデルを組み合わせた統合型フレームワークである統合マーケティング属性(IMA)を提案し,集約データからキャンペーンレベル効果を導出する。 IMAは、MMMにインフォームされた事前情報を活用することにより、MMMとの整合性を維持しながら、粒度の細かい、プライバシセーフな属性を提供する。

関連論文リスト

• POPS: Recovering Unlearned Multi-Modality Knowledge in MLLMs with Prompt-Optimized Parameter Shaking [56.151482557515955]
  MMU (Multi-modality Machine Unlearning) は、MLLMが個人情報を忘れることを効果的に強制する緩和策として提案された。 本稿では,MLLMから未学習のマルチモーダルな知識を回収することを目的とした新しい戦略であるPrompt-d adversarial-POPSを提案する。 提案手法は, 被害者のMLLMに対して, プロンプトサフィックス最適化による潜在的プライベートサンプルの生成を誘導し, 合成した出力を利用してモデルを微調整し, 真のプライベート情報を開示する。
  論文  参考訳（メタデータ） (2026-07-07T16:28:54Z)
• From Multiplicity to Vulnerability: Privacy Amplification Risk from One-Dataset-Multiple-Model Exposure [18.343372735919292]
  本研究は, 1-dataset-multiple-model (ODMM) 設定がプライバシー漏洩を著しく増幅することを明らかにする。 ODMMモデルに対するブラックボックスアクセスでは、個々のODMMモデルによってリークされたプライバシー信号の集合的識別を行うアグリゲーション機構を設計する。 その結果,ODMMモデル全体にわたるデータセットの再利用が,プライバシーを著しく損なうという強い証拠が得られた。
  論文  参考訳（メタデータ） (2026-07-06T14:04:39Z)
• Distributed HDMM: Scalable, Distributed, Accurate, and Differentially Private Query Workloads without a Trusted Curator [3.013777283242814]
  本稿では,分散データ上での線形クエリの処理に応答するプロトコルである分散高次元行列機構(Distributed HDMM)を提案する。 予備的な実証評価では、分散HDMMは1分未満で数千のクライアントで現実的なデータセットやワークロード上で動作可能である。
  論文  参考訳（メタデータ） (2025-12-17T17:57:10Z)
• Auditing M-LLMs for Privacy Risks: A Synthetic Benchmark and Evaluation Framework [7.493288948235459]
  PRISMは、クロスモーダルなプライバシーリスクを評価するために設計された大規模な総合ベンチマークである。 PRISMは、最初のマルチモーダル、多次元、微細な合成データセットである。 PRISM上での6つのM-LLMの推論能力を評価する。
  論文  参考訳（メタデータ） (2025-11-05T07:23:21Z)
• Differentially Private Distribution Release of Gaussian Mixture Models via KL-Divergence Minimization [11.3783762550703]
  本稿では,GMMパラメータに厳格な乱摂動を付加するDP機構を提案する。 当社のアプローチは、高いユーティリティを維持しながら、強力なプライバシ保証を実現する。
  論文  参考訳（メタデータ） (2025-06-04T00:40:24Z)
• PC-MoE: Memory-Efficient and Privacy-Preserving Collaborative Training for Mixture-of-Experts LLMs [56.04036826558497]
  プライバシー保護型コラボレーション・オブ・エクササイズ(PC-MoE)を紹介する。 設計上、PC-MoEは分散計算の強みと強い機密性の保証を相乗的に組み合わせている。 完全に集中したモデルのパフォーマンスと収束率とほぼ一致(時には超える)し、70%近いピークのGPURAMの削減を享受し、再構築攻撃に対して完全に堅牢である。
  論文  参考訳（メタデータ） (2025-06-03T15:00:18Z)
• Benchmarking Multi-modal Semantic Segmentation under Sensor Failures: Missing and Noisy Modality Robustness [61.87055159919641]
  マルチモーダルセマンティックセグメンテーション(MMSS)は、モーダル間で補完情報を統合することで、単一モーダルデータの制限に対処する。 顕著な進歩にもかかわらず、マルチモーダルデータ品質の変動と不確実性により、研究と実世界の展開の間に大きなギャップが持続する。 Intire-Missing Modality (EMM)、Random-Missing Modality (RMM)、Noisy Modality (NM)の3つのシナリオでMMSSモデルを評価する頑健性ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-03-24T08:46:52Z)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [92.40586697273868]
  モノのインターネットのタイムリーな更新は、車載メタバースサービスの没入を実現するために不可欠である。 本稿では,フェデレーション学習による効率的なプライバシ保護データ提供を可能にする没入型モデルトレーディングフレームワークを提案する。 実験の結果,提案手法は最先端のベンチマークよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-25T16:20:46Z)
• MM-LLMs: Recent Advances in MultiModal Large Language Models [49.06046606933233]
  過去1年間で、MM-LLM(MultiModal Large Language Models)が大幅に進歩している。 126のMM-LLMを包含する分類法を導入し,その特異な定式化を特徴とする。 本稿では,主要なベンチマークで選択したMM-LLMの性能を概観し,MM-LLMの有効性を高めるための鍵となるトレーニングレシピを要約する。
  論文  参考訳（メタデータ） (2024-01-24T17:10:45Z)

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。