論文の概要: Enabling and Understanding Personalization in AI-Generated Advertising Imagery

• arxiv url: http://arxiv.org/abs/2609.12697v1
• Date: Fri, 11 Sep 2026 10:44:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.721526
• Title: Enabling and Understanding Personalization in AI-Generated Advertising Imagery
• Title（参考訳）: AI生成広告画像におけるパーソナライズの実現と理解
• Abstract要約: 我々は、顧客データから直接パーソナライズされた広告画像を生成するAIベースのフレームワークを開発し、実装する。 N=100の参加者を4つの製品に分けた2段階の内被試験において,本フレームワークの評価を行った。
• 参考スコア（独自算出の注目度）: 4.346377939583986
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Personalized marketing traditionally matches static products to customers, while dynamic creative optimization focuses mainly on AI-driven text personalization or basic product image modifications. We address this gap by developing and implementing an AI-based framework that generates personalized advertising imagery directly from customer data. We evaluate this framework in a two-stage within-subject study with N=100 participants across four products and three levels of personalization, varied by the amount and specificity of customer data used. Participants rated each image on attitude toward the advertisement, attitude toward the product, and purchase intention. Results show that participants perceive differences across personalization levels and evaluate AI-generated advertising imagery most positively at a moderate level of personalization. High personalization increases perceived personalization, which is positively associated with all three outcome measures, but also increases perceived creepiness, which is negatively associated with the outcomes and dominates the total effect.
• Abstract（参考訳）: パーソナライズされたマーケティングは、伝統的に静的な製品を顧客と一致させ、動的クリエイティブな最適化は主にAI駆動のテキストパーソナライゼーションや基本的な製品イメージ修正に焦点を当てている。 我々は、顧客データから直接パーソナライズされた広告画像を生成するAIベースのフレームワークを開発し、実装することで、このギャップに対処する。 この枠組みを4つの製品にまたがるN=100の参加者と3レベルのパーソナライズによる2段階のインテリアオブジェクトスタディで評価した。 参加者は、各イメージを広告に対する態度、製品に対する態度、購入意図に基づいて評価した。 その結果、参加者はパーソナライゼーションレベルの違いを認識し、パーソナライゼーションの適度なレベルにおいて、AI生成した広告イメージを最も肯定的に評価した。 高いパーソナライゼーションは、パーソナライゼーション(パーソナライゼーション)を増大させ、これらは3つのアウトカム尺度全てに肯定的に関連付けられ、また、その結果に否定的に関連し、トータルエフェクトを支配する。

関連論文リスト

• I Am AdMan: A Pipeline for Automatic Generation of Personalized Advertising Imagery [4.662993987530914]
  本稿では、顧客データをペルソナに変換するパイプラインであるAdManを提案し、製品参照画像に基づいてパーソナライズされた広告画像を生成する。 我々はこのパイプラインを2つの異なるモデル構成で実装し、4つの製品にまたがって評価する。 我々の研究は、AIベースのパーソナライズされた広告に関する文献を拡張し、広告のための完全自動画像生成の可能性と現在の限界を実証した。
  論文  参考訳（メタデータ） (2026-09-11T10:39:18Z)
• Evaluating the Hidden Costs of Personalization in Large Language Models [55.07935163900691]
  我々は,(1)無関係なパーソナライゼーション,(2)不必要な文脈で個人情報を参照するモデル,(2)好みの絞り込み,(2)情報エコーチャンバーを補強するモデル,(3)覚醒バイアス,(3)モデルがユーザの意見に過度に同意するモデル,の3つのリスクを識別する。 我々は、現在のAIアシスタントの体系的な制限を明らかにするために、自動データ生成と調整されたメトリクスを備えた動的評価フレームワークであるPRISKを提案する。
  論文  参考訳（メタデータ） (2026-08-28T20:05:12Z)
• Design Your Ad: Personalized Advertising Image and Text Generation with Unified Autoregressive Models [75.31791398000492]
  広告画像とテキストの両方を生成するために,単一の自己回帰フレームワークを利用するUnified Advertisement Generative Model(Uni-AdGen)を開発した。 広告をよりパーソナライズするために、我々はUni-AdGenに粗い好み理解モジュールを装備する。 提案手法は,汎用的かつパーソナライズされた広告生成において,ベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-05-12T13:58:06Z)
• NextAds: Towards Next-generation Personalized Video Advertising [46.666292153282875]
  NextAdsは次世代のパーソナライズされたビデオ広告のためのパラダイムだ。 私たちは、パーソナライズされたクリエイティブ生成とパーソナライズされたクリエイティブ統合という2つの代表的なタスクを定式化します。 我々は初期の探索実験を行い、GenAIがパーソナライズされたクリエイティブを創造し、統合し、パフォーマンスを奨励できることを実証した。
  論文  参考訳（メタデータ） (2026-03-02T17:58:07Z)
• Sell It Before You Make It: Revolutionizing E-Commerce with Personalized AI-Generated Items [41.69406276304483]
  本稿では,この課題に対処するためにAIGI(AI- generated items)を活用して,e-commercial Product Designのためのパーソナライズされたテキスト・ツー・イメージ生成システムを提案する。 拡散モデルのためのパーソナライズされたグループレベル選好アライメントフレームワーク(PerFusion)を提案し、複数の生成候補画像に対して、ユーザのグループレベルのパーソナライズされた選好をキャプチャする。 AI生成アイテムは、人間によって設計されたアイテムと比較して、クリックスルーレートと変換レートの両方で13%以上の相対的な改善を実現している。
  論文  参考訳（メタデータ） (2025-03-28T07:00:33Z)
• MindMem: Multimodal for Predicting Advertisement Memorability Using LLMs and Deep Learning [0.0]
  我々は,広告記憶可能性のマルチモーダル予測モデルであるMindMemを提案する。 テキスト、視覚、聴覚データを統合することで、MindMemは最先端のパフォーマンスを達成する。 我々はMindMem-ReAdを紹介し、これは大規模言語モデルに基づくシミュレーションを用いて広告内容と配置を最適化する。
  論文  参考訳（メタデータ） (2025-02-25T17:09:12Z)
• CTR-Driven Advertising Image Generation with Multimodal Large Language Models [53.40005544344148]
  本稿では,Click-Through Rate (CTR) を主目的とし,マルチモーダル大言語モデル(MLLM)を用いた広告画像の生成について検討する。 生成した画像のCTRをさらに改善するため、強化学習(RL)を通して事前学習したMLLMを微調整する新たな報酬モデルを提案する。 本手法は,オンラインとオフラインの両方で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-02-05T09:06:02Z)
• Personalized Federated Knowledge Graph Embedding with Client-Wise Relation Graph [49.66272783945571]
  クライアント関係グラフを用いた個人化フェデレーション知識グラフを提案する。 PFedEGは、近隣のクライアントから埋め込まれたエンティティを集約することで、各クライアントに対してパーソナライズされた補完知識を学習する。 我々は4つのベンチマークデータセットの広範な実験を行い、その手法を最先端モデルに対して評価する。
  論文  参考訳（メタデータ） (2024-06-17T17:44:53Z)
• User-Guided Personalized Image Aesthetic Assessment based on Deep Reinforcement Learning [64.07820203919283]
  本稿では,新しいユーザガイド型画像美観評価フレームワークを提案する。 深部強化学習(DRL)に基づく審美評価のためのユーザインタラクションを活用して画像のリタッチとランク付けを行う パーソナライズされた審美分布は、異なるユーザの審美的嗜好とより一致している。
  論文  参考訳（メタデータ） (2021-06-14T15:19:48Z)

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。