論文の概要: Proximity Features: Privacy-Compliant Cold-Start Personalization at Airbnb

• arxiv url: http://arxiv.org/abs/2607.12246v1
• Date: Tue, 14 Jul 2026 01:17:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.003801
• Title: Proximity Features: Privacy-Compliant Cold-Start Personalization at Airbnb
• Title（参考訳）: プロキシ機能 - Airbnbにおけるプライバシと互換性のあるコールドスターのパーソナライゼーション
• Abstract要約: 本稿では,ユーザを地理的に近接してグループ化するプライバシに準拠した機能システムであるProximity Featuresを紹介する。 このパイプラインは、同意された集約されたデータを、同意承認されたプライバシコントロール内でのみ運用する。 オンラインA/B実験は、予約において統計的に有意な上昇を示した。
• 参考スコア（独自算出の注目度）: 13.654796637146186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalization in two-sided marketplaces relies heavily on user-level features, yet for platforms with infrequent, high-consideration purchases, a large fraction of users lack sufficient history for effective recommendation, spanning both paid and organic channels. At Airbnb, a substantial share of search requests comes from logged-out or first-time users, with this challenge especially pronounced on paid-channel landing pages, leaving traditional user-level features unavailable for a large fraction of traffic. Privacy regulations and increasing restrictions on third-party cookies further limit identifier-based tracking for non-essential use cases. This paper introduces Proximity Features, a privacy-compliant feature system that groups users by geographic proximity using geo-IP data and an adaptive clustering algorithm, producing aggregated user-level signals for groups of approximately 1,000 nearby users without requiring a persistent individual identifier at inference time. Privacy is preserved by design: the pipeline operates on consented, aggregated data only within consent-gated privacy controls. The system is deployed in production at Airbnb, serving multiple surfaces including marketing landing pages and destination recommendation, with engagement emails integration under way. Online A/B experiments demonstrate statistically significant lifts in bookings, with the largest gains observed among users with absent or stale history.
• Abstract（参考訳）: 両面のマーケットプレースにおけるパーソナライゼーションは、ユーザレベルの機能に大きく依存するが、頻繁で高精細度な購入を行うプラットフォームでは、多くのユーザが効果的なレコメンデーションに十分な履歴を持っておらず、有料チャネルとオーガニックチャネルの両方にまたがっている。 Airbnbでは、ログアウトや最初のユーザーからの検索リクエストがかなりの割合を占めており、これは特に有料チャンネルのランディングページで顕著であり、従来のユーザーレベルの機能は一部のトラフィックでは利用できない。 プライバシーの規制とサードパーティのクッキーの制限の増大により、重要でないユースケースの識別子ベースの追跡はさらに制限される。 本稿では,地理IPデータと適応クラスタリングアルゴリズムを用いてユーザを地理的に近接してグループ化するプライバシに準拠した機能システムであるProximity Featuresを紹介する。 パイプラインは同意された集約されたデータを、同意承認されたプライバシコントロール内でのみ動作する。 システムはAirbnbで本番環境にデプロイされ、マーケティングランディングページや宛先レコメンデーションなど複数のサーフェスを提供し、エンゲージメントメールの統合も進行中である。 オンラインA/B実験は、予約において統計的に有意な上昇を示した。

関連論文リスト

• Multi-Agent Privacy Game in Federated Learning: A Unified Mean-Field View [9.305417960678357]
  フェデレートラーニングは、データを集中することなく、分散クライアント間で協調的なモデルトレーニングを可能にする。 平均フィールドプライバシゲームとして,プライバシ保存型フェデレーション学習を提案する。 提案するフレームワークは、パーソナライズされたプライバシ保証を提供しながら、エントロピーベースラインのプライバシユーティリティトレードオフを実現する。
  論文  参考訳（メタデータ） (2026-07-25T04:03:59Z)
• MuPPET: A Benchmark for Contextual Privacy of LLM Assistants in Multi-Party Conversations [48.01548482992868]
  マルチパーティ会話におけるコンテキストプライバシのベンチマークである MuPPET (Multi-Party Privacy Exposure Testing) を導入する。 実験により、モデルが1対1の評価よりも、マルチパーティ設定でかなりリークしていることが示されている。
  論文  参考訳（メタデータ） (2026-06-22T12:06:21Z)
• PrivFedTalk: Privacy-Aware Federated Diffusion with Identity-Stable Adapters for Personalized Talking-Head Generation [0.0]
  PrivFedTalkは、パーソナライズされたトーキングヘッド生成のためのプライバシ対応のフェデレーションフレームワークである。 共有拡散バックボーンはクライアント間でトレーニングされ、各クライアントはローカルのプライベートオーディオビジュアルデータから軽量なLoRAIDアダプタを学習する。 更新側のプライバシーリスクを制限するために、セキュアアグリゲーションとクライアントレベルの差分プライバシがアダプタ更新に適用される。
  論文  参考訳（メタデータ） (2026-04-09T09:41:30Z)
• Puda: Private User Dataset Agent for User-Sovereign and Privacy-Preserving Personalized AI [0.35132824436572685]
  Pudaは、サービス間でデータを集約し、クライアント側管理を可能にする、ユーザソブリンアーキテクチャである。 Pudaでは,データの共有を3つのプライバシレベル – (i)詳細なブラウジング履歴, (ii)抽出キーワード, (iii)定義済みカテゴリサブセット –でコントロールすることができる。 以上の結果から,プライバシ・パーソナライゼーションのトレードオフを軽減するための実践的な選択肢として,効果的に多粒度管理を可能にすることが示唆された。
  論文  参考訳（メタデータ） (2026-02-09T05:00:48Z)
• Towards Usable Privacy Management for IoT TAPs: Deriving Privacy Clusters and Preference Profiles [1.2744523252873352]
  IoT Trigger-Action Platforms(TAP)は通常、粗い粒度のパーミッションコントロールを提供する。 本稿では,異なるタイプのユーザに対して,プライバシクラスタとプロファイルを導出することで,TAPのユーザプライバシ管理に寄与する。
  論文  参考訳（メタデータ） (2025-11-14T12:08:58Z)
• PWC-MoE: Privacy-Aware Wireless Collaborative Mixture of Experts [59.5243730853157]
  クラウドサーバにホストされる大規模言語モデル(LLM)は、ローカルデバイス上の計算とストレージの負担を軽減するが、プライバシの懸念を高める。 小規模言語モデル(SLM)は、ローカルで実行されるためプライバシーが向上するが、複雑なタスクではパフォーマンスが制限される。 帯域幅制約下での計算コスト,性能,プライバシ保護のバランスをとるために,プライバシを意識したPWC-MoE(PWC-MoE)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:27:07Z)
• PAUSE: Low-Latency and Privacy-Aware Active User Selection for Federated Learning [49.02872047060618]
  フェデレートラーニング(FL)は、エッジデバイスが、潜在的にプライベートなデータを共有することなく、機械学習モデルを協調的にトレーニングすることを可能にする。 FLには2つの重要な課題がある。第一に、時間とともにプライバシーの漏洩が蓄積され、第二に、通信のレイテンシである。 本稿では,アクティブユーザ選択によるプライバシー漏洩と通信遅延の蓄積を共同で解決する手法を提案する。
  論文  参考訳（メタデータ） (2025-03-17T13:50:35Z)
• Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
  差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。 ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
  論文  参考訳（メタデータ） (2024-06-20T13:54:32Z)
• FedDMF: Privacy-Preserving User Attribute Prediction using Deep Matrix Factorization [1.9181612035055007]
  本稿では,ユーザマッチングを必要とせず,ユーザの属性を予測する新しいアルゴリズムを提案する。 我々のアプローチは、異なるクライアント上で深い行列分解モデルを訓練し、属性項目ベクトルのみを共有することである。 これにより、ユーザベクトル自体を共有することなく、ユーザ属性を予測できます。
  論文  参考訳（メタデータ） (2023-12-24T06:49:00Z)
• Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
  プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。 特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。 ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
  論文  参考訳（メタデータ） (2022-09-04T06:22:37Z)
• Unsupervised Model Personalization while Preserving Privacy and Scalability: An Open Problem [55.21502268698577]
  本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。 この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。 このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
  論文  参考訳（メタデータ） (2020-03-30T09:35:12Z)

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。