論文の概要: RAMP: Robust Ad Recommendation Under Limited Personalized-Feature Availability via Masking and Alignment Pathways

• arxiv url: http://arxiv.org/abs/2607.17473v1
• Date: Mon, 20 Jul 2026 01:57:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.476488
• Title: RAMP: Robust Ad Recommendation Under Limited Personalized-Feature Availability via Masking and Alignment Pathways
• Title（参考訳）: RAMP: マスキングとアライメントパスによる個人化機能限定によるロバスト広告推奨
• Authors: Dairui Liu, Zhongyi Lu, Roger Zhe Li, Changhong Jin, Jitao Lu, Xinyang Shao, Bichen Shi, Mete Sertkan, Aghiles Salah, Aonghus Lawlor, Barry Smyth, Tri Kurniawan Wijaya, Ruihai Dong, Xingsheng Guo,
• Abstract要約: RAMPは、パーソナライズされた機能がアクセスできない場合に、CTR/CVR予測精度を改善するように設計されている。 i) パーソナライズされた信号と非パーソナライズされた信号の予測を出力マスキングによって分離する、同一の入力を持つが独立したパラメータを持つデュアルトウワーコンポーネント上に構築されたパーソナライズされたパスで構成されている。 我々は、RAMPの性能を評価するために、パブリックベンチマークと産業データセットの両方を用いて包括的な実験を行う。
• 参考スコア（独自算出の注目度）: 11.433012118172675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Click-through rate (CTR) and conversion rate (CVR) prediction are fundamental tasks in online advertising, aiming to estimate the likelihood of user interactions based on various features. While personalized attributes such as age and gender can significantly enhance predictive accuracy, their use is increasingly restricted by privacy regulations, thereby limiting available data for both training and inference. To address this challenge, we propose RAMP (Robust Ad Recommendation Under Limited Personalized-Feature Availability via Masking and Alignment Pathways), which is designed to improve CTR/CVR prediction accuracy when personalized features are not accessible, thus supporting deployment in privacy-constrained settings.RAMP consists of (i) a personalized pathway built upon a dual-tower component with identical inputs but independent parameters, where output masking separates predictions for personalized and non-personalized signals, (ii) a separate non-personalized pathway trained with non-personalized features only, and (iii) a distillation-inspired prediction-alignment architecture between (i) and (ii) that improves prediction when personalized features are unavailable. We conduct comprehensive experiments using both public benchmarks and industrial datasets to evaluate the performance of RAMP. Our evaluation spans multiple backbone models and different settings: with and without access to personalized features. The results show that RAMP consistently outperforms state-of-the-art methods when personalized features are missing, while maintaining competitive performance when all features are available. %demonstrating its effectiveness and practicality for real-world advertising systems. Our code is publicly available at https://github.com/Ruixinhua/RAMP.
• Abstract（参考訳）: クリックスルーレート(CTR)とコンバージョンレート(CVR)の予測は,様々な特徴に基づいてユーザインタラクションの可能性を推定することを目的としたオンライン広告の基本課題である。 年齢や性別などのパーソナライズされた属性は予測精度を大幅に向上させるが、プライバシー規制によってその使用が制限され、トレーニングと推論の両方で利用可能なデータが制限される。 この課題に対処するために、パーソナライズされた機能にアクセスできない場合にCTR/CVR予測精度を向上させるために設計されたRAMP(Robust Ad Recommendation Under Limited Personalized-Feature Availability via Masking and Alignment Pathways)を提案する。 (i)同一の入力であるが独立したパラメータを持つデュアルトウワーコンポーネント上に構築されたパーソナライズされた経路で、出力マスキングがパーソナライズされた信号と非パーソナライズされた信号の予測を分離する。 (二)非人格的特徴のみを訓練した個別の非人格的経路及び 三 蒸留にインスパイアされた予測アライメントの建築 (i)および (ii) パーソナライズされた機能が利用できない場合の予測を改善する。 我々は、RAMPの性能を評価するために、パブリックベンチマークと産業データセットの両方を用いて包括的な実験を行う。 評価は、複数のバックボーンモデルと異なる設定 – パーソナライズされた機能へのアクセスの有無 – にまたがる。 その結果、RAMPはパーソナライズされた機能が欠如している場合に常に最先端のメソッドよりも優れており、すべての機能が利用可能になったときの競合性能は維持されている。 実世界の広告システムにおける有効性と実用性を実証する。 私たちのコードはhttps://github.com/Ruixinhua/RAMP.comで公開されています。

関連論文リスト

• Private Learning with Public Feature Conditioning [5.800578726236357]
  本研究では、各データサンプルがパブリックな非感受性特徴を含む設定において、差分プライベート(DP)回帰について検討する。 本稿では,プライバシー制約下での最適化を活用する条件付き変種DPSGDであるCond-DPを紹介する。 本稿では,公開機能から直接,Cond-DPの効率的な条件付け行列を構築する方法について述べる。
  論文  参考訳（メタデータ） (2026-06-17T07:34:53Z)
• Preference Heads in Large Language Models: A Mechanistic Framework for Interpretable Personalization [13.050856154190273]
  大きな言語モデル(LLM)は強い暗黙のパーソナライズ能力を示すが、既存のほとんどのアプローチでは、この振る舞いをブラックボックスとして扱う。 本研究では,機械論的解釈可能性の観点を採用し,スパースな選好ヘッドの存在を仮定する。 因果マスキング分析により、選好ヘッドを識別する学習自由フレームワークである差分選好ステアリング(DPS)を導入する。
  論文  参考訳（メタデータ） (2026-04-24T08:20:43Z)
• FedUTR: Federated Recommendation with Augmented Universal Textual Representation for Sparse Interaction Scenarios [58.33672784127872]
  フェデレーションレコメンデーション(FR)は、デバイス上のプライバシ保護パラダイムとして登場した。 本稿では,対話行動の補完として項目文表現を取り入れたFedUTRという新しい手法を提案する。 提案手法は,SOTAベースラインと比較して,全データセットの最大59%の改善を達成し,優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-01-29T08:55:19Z)
• Adversary-Aware Private Inference over Wireless Channels [51.93574339176914]
  ワイヤレスエッジデバイスにおけるAIベースのセンシングは、人工知能(AI)アプリケーションを大幅に強化する可能性がある。 機密性の高い個人情報は敵によって再構築できるため、プライバシー侵害のリスクを軽減するために特徴の変換が必要である。 本稿では,デバイスがモデルサーバに送信する前に抽出した特徴の変換を適用する,プライバシ保護型AIベースセンシングのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-23T13:02:14Z)
• Machine Learning with Privacy for Protected Attributes [56.44253915927481]
  差分プライバシー(DP)の定義を洗練し、機能差分プライバシー(FDP)と呼ばれるより汎用的で柔軟なフレームワークを作成する。 私たちの定義はシミュレーションに基づいており、プライバシの追加/削除と置き換えの両方が可能で、保護された機能と非保護された機能の任意の分離を処理できます。 各種機械学習タスクにフレームワークを適用し,パブリック機能が利用可能であればDP学習モデルの実用性を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-06-24T17:53:28Z)
• Multi-Objective Optimization for Privacy-Utility Balance in Differentially Private Federated Learning [12.278668095136098]
  フェデレートラーニング(FL)は、生データを共有せずに、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。 本稿では,多目的最適化フレームワークを用いて動的にクリッピング規範を調整する適応型クリッピング機構を提案する。 以上の結果から,適応的クリッピングは固定クリッピングベースラインを一貫して上回り,同一のプライバシー制約下での精度の向上を実現している。
  論文  参考訳（メタデータ） (2025-03-27T04:57:05Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Partial sensitivity analysis in differential privacy [58.730520380312676]
  それぞれの入力特徴が個人のプライバシ損失に与える影響について検討する。 プライベートデータベース上でのクエリに対する我々のアプローチを実験的に評価する。 また、合成データにおけるニューラルネットワークトレーニングの文脈における知見についても検討する。
  論文  参考訳（メタデータ） (2021-09-22T08:29:16Z)
• An automatic differentiation system for the age of differential privacy [65.35244647521989]
  Tritiumは、微分プライベート(DP)機械学習(ML)のための自動微分ベース感度分析フレームワークである 我々は、微分プライベート(DP)機械学習(ML)のための自動微分に基づく感度分析フレームワークTritiumを紹介する。
  論文  参考訳（メタデータ） (2021-09-22T08:07:42Z)
• PRICURE: Privacy-Preserving Collaborative Inference in a Multi-Party Setting [3.822543555265593]
  本稿では,セキュアなマルチパーティ計算とディファレンシャルプライバシの補完的強みを組み合わせたシステムpricureを提案する。 PRICUREは、複数のモデルオーナー間のプライバシー保護共同予測を可能にします。 ベンチマーク医療画像分類データセットを含む4つのデータセットのニューラルネットワーク上でPRICUREを評価する。
  論文  参考訳（メタデータ） (2021-02-19T05:55:53Z)

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。