論文の概要: Privacy-Friendly Cohort Determination: Sealed, CSP-Independent In-Browser ML Inference of Professional Segments for Identity-Less Advertising
- arxiv url: http://arxiv.org/abs/2609.36153v1
- Date: Mon, 28 Sep 2026 19:24:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.969078
- Title: Privacy-Friendly Cohort Determination: Sealed, CSP-Independent In-Browser ML Inference of Professional Segments for Identity-Less Advertising
- Title（参考訳）: プライバシフレンドリーなコホート決定: アイデンティティレス広告のためのプロフェッショナルセグメンテーションのCSP非依存型ブラウザ内ML推論
- Abstract要約: デバイス上で粗いプロのコホートを推測するSIF(Sealed Inference Frame)を提案する。
OpenRTBの入札ストリームには、ローカルに独立した分類符号付きラベルのみを出力する。
悪意のあるモデルでさえ、週に約5ビットのサイトをリークする。
- 参考スコア（独自算出の注目度）: 0.48108640855536683
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: B2B advertising targets a viewer's professional attributes (employer size and industry, function, seniority) and has obtained them by matching identities across sites. Safari and Firefox block third-party cookies, Google retired the Privacy Sandbox cohort APIs in 2025, and reverse-IP firmographics decay under remote work. We present SIF (Sealed Inference Frame), which infers coarse professional cohorts on the device and emits only a locally differentially private, taxonomy-coded label into the OpenRTB bid stream, with no cross-site identifier. It rests on a property of the web platform we make precise: a navigated cross-origin iframe is the only way third-party code obtains a policy it controls, so inference runs in WebAssembly even where the publisher's CSP forbids it, and a nested worker served with default-src 'none' gives the model no network. Even a malicious model leaks at most about 5 bits per site per week. Labels pass through a memoised k-ary randomised response keyed to the publisher's first-party identifier, which gives $\varepsilon$-local differential privacy, defeats averaging, and links requests no better than the identifier already sent. An org-conditional k-anonymity rule suppresses cells, more strictly on corporate networks than at home. Cohorts ride OpenRTB user.data in a LinkedIn-aligned taxonomy, and attribution uses LinkedIn's click-scoped li_fat_id without bridging identities. We report a crawl of CSP deployment on 7,969 top sites and 431 B2B publishers, Heavy-Ad budgets, closed-form privacy-utility trade-offs, a re-identification simulation, and an assessment of which attributes are predictable at all: company type and size are, seniority largely is not. On-device is a design property, not a consent exemption.
- Abstract（参考訳）: B2B広告は、視聴者のプロフェッショナル属性(従業員のサイズと産業、機能、高齢者)をターゲットとし、サイト間でアイデンティティをマッチングすることでそれらを得た。
SafariとFirefoxはサードパーティのクッキーをブロックし、Googleは2025年にPrivacy SandboxコホートAPIを引退した。
SIF (Sealed Inference Frame) はデバイス上で粗いプロのコホートを推測し,OpenRTB入札ストリームに局所的に個別に分類されたラベルのみを出力し,クロスサイト識別子を持たない。
ナビゲートされたクロスオリジンのiframeは、サードパーティのコードがコントロールするポリシを取得する唯一の方法であるので、パブリッシャのCSPが禁止している場所であっても、推論はWebAssemblyで実行される。
悪意のあるモデルでさえ、週に約5ビットのサイトをリークする。
これは$\varepsilon$-local differential privacy, defeats averaging, and link request was not better than the ID sent。
org条件k-匿名性規則は、家庭よりも企業ネットワーク上で、細胞を抑圧する。
Cohortsは、LinkedInの分類でOpenRTB user.dataを走らせ、属性はLinkedInのクリックスコープの li_fat_id を使って、IDをブリッジすることなく利用できる。
7,969のサイトと431のB2Bパブリッシャー、ヘビーアド予算、クローズドフォームのプライバシユーティリティトレードオフ、再識別シミュレーション、どの属性が予測可能であるかを評価した。
オンデバイスはデザインプロパティであり、同意の免除ではない。
関連論文リスト
- Protocol-Level Attacks on Agentic Commerce Platforms: A Cross-Platform Taxonomy, AIP-Bench, and Unified Defense [0.0]
我々は、エージェントと商業サービスの間のプロトコルにおいて、より連続的なリスクが1層下にあることを示す。
3つの主要なプラットフォームで、デプロイされたモデルに関係なく、それぞれが決定的に成功する、33の脆弱性を特定します。
そのうちの3つは、エンドツーエンドの支払いハイジャックにチェーンする。
論文 参考訳（メタデータ） (2026-07-23T21:21:01Z) - NearID: Identity Representation Learning via Near-identity Distractors [116.71529576796605]
既存のビジョンエンコーダは、オブジェクトのアイデンティティを背景コンテキストと絡み合わせることで、信頼性の低い表現やメトリクスを生み出します。
我々は、この脆弱性に対処するための最初の原則付きフレームワークをNear-identity distractorsを使って紹介する。
我々は、厳密なマージンベースの評価プロトコルとともに、NearIDデータセット(19KのID、316Kの一致したコンテキストインタプリタ)を提示する。
論文 参考訳（メタデータ） (2026-04-02T12:33:14Z) - Towards Context-Aware Image Anonymization with Multi-Agent Reasoning [0.0]
拡散型匿名化を用いた文脈認識型PIIセグメンテーションのためのエージェントフレームワークCAIAMARを提案する。
Plan-Do-Check-Actサイクルにおいて、3つの特殊エージェントがラウンドロビン話者選択を介して協調する。
CityScapesの画質保存のためには、KID:0.001$とFID:9.1$を達成し、既存の匿名化を著しく上回っている。
論文 参考訳（メタデータ） (2026-03-29T19:06:43Z) - 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) - An Architecture for Privacy-Preserving Telemetry Scheme [0.0]
プライバシー保護型テレメトリアグリゲーション方式を提案する。
設計哲学はクライアントサーバアーキテクチャに従う。
本稿では、既知の辞書のヒストグラムを用いた周波数推定に焦点を当てた実装を提案する。
論文 参考訳（メタデータ） (2025-07-08T19:20:56Z) - EmInspector: Combating Backdoor Attacks in Federated Self-Supervised Learning Through Embedding Inspection [53.25863925815954]
フェデレートされた自己教師付き学習(FSSL)は、クライアントの膨大な量の未ラベルデータの利用を可能にする、有望なパラダイムとして登場した。
FSSLはアドバンテージを提供するが、バックドア攻撃に対する感受性は調査されていない。
ローカルモデルの埋め込み空間を検査し,悪意のあるクライアントを検知する埋め込み検査器(EmInspector)を提案する。
論文 参考訳（メタデータ） (2024-05-21T06:14:49Z) - Who Leaked the Model? Tracking IP Infringers in Accountable Federated Learning [51.26221422507554]
Federated Learning (FL) は、大規模で分散したクライアントからのデータと計算リソースを調整する効果的な協調学習フレームワークである。
このようなコラボレーションは、個々のユーザではなく、パーティー全体によって保護され、共有されるべきモデルパラメータによって表現される非自明な知的財産(IP)をもたらす。
このようなIPリークをブロックするためには、IPを共有モデルで識別し、最初にリークした匿名の侵害者を特定することが不可欠である。
本稿では,説明責任FLの要件を満たすために,Dudeable Unique Watermarking (DUW)を提案する。
論文 参考訳（メタデータ） (2023-12-06T00:47:55Z) - ProxyMix: Proxy-based Mixup Training with Label Refinery for Source-Free
Domain Adaptation [73.14508297140652]
Unsupervised domain adapt (UDA) は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的としている。
Proxy-based Mixup training with label refinery (ProxyMix)を提案する。
3つの2D画像と1つの3Dポイントクラウドオブジェクト認識ベンチマークの実験は、ProxyMixがソースフリーなUDAタスクに最先端のパフォーマンスをもたらすことを示した。
論文 参考訳（メタデータ） (2022-05-29T03:45:00Z) - SPAct: Self-supervised Privacy Preservation for Action Recognition [73.79886509500409]
アクション認識におけるプライバシー漏洩を緩和するための既存のアプローチは、ビデオデータセットのアクションラベルとともに、プライバシラベルを必要とする。
自己教師付き学習(SSL)の最近の進歩は、未ラベルデータの未発見の可能性を解き放ちつつある。
本稿では、プライバシーラベルを必要とせず、自己管理的な方法で、入力ビデオからプライバシー情報を除去する新しいトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-29T02:56:40Z) - A machine learning approach for detecting CNAME cloaking-based tracking
on the Web [2.7267622401439255]
オンデマンドDNSルックアップAPIを使わずに,マシンクローキングに基づくトラッキングを検出するための教師付き学習ベース手法を提案する。
私たちの目標は、クローキング関連のトラッキングに関連するサイトとリクエストの両方を検出することです。
評価の結果,提案手法はよく知られた追跡フィルタよりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-09-29T22:33:19Z)
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。