7-4 联邦学习在广告行业的应用-刘璐

广告业务背景介绍

• 广告业务流程涉及广告主、用户和媒体（广告平台）。
• 广告形式多样，媒体资源丰富。
• 转化跟踪是核心功能，但面临OAID收集、隐私政策等挑战。

不同视角下的转化流程

• 用户视角：从看到广告到安装激活，涉及多步转化。
• 客户端视角和服务器视角：分别关注用户行为和系统处理流程。

广告链路中的算法技术

• 关键指标：CTR（点击率）、CVR（转化率）、ECPM（有效成本）。
• 点击率预估模型：基于用户、广告、上下文特征，通过数据预处理、特征工程和模型训练实现。
• 转化率预估模型：类似点击率模型，但更关注转化行为。

纵向联邦学习如何服务广告场景

• 解决转化数据割裂问题，融合端内和后端数据。
• 基于TICS平台构建纵向联邦学习联盟，实现数据融合分析和监管。
• 平台功能包括数据管理、隐私策略设定、联邦分析计算等。
• 示例：创建作业、选择样本、启动训练和评估模型。

基于Mindspore构建横向联邦学习

• 隐私安全：数据本地协同训练，不交换原始数据，通过加密方式交换模型参数。
• 分布式联邦聚合：支持千万级终端，应对网络不稳定和负载突变。
• 联邦效率提升：支持同步/异步模式、多种模型压缩算法和聚合策略。
• 灵活易用：一行代码切换单机/联邦训练，可编程的网络模型、聚合算法和安全算法。
• 端云联邦学习通信压缩：通过权重差、稀疏和量化编解码减少通信量，提升效率。
• 实验结果：开启压缩后，验证集准确率提升0.2%。

联邦学习的攻防技术

• 攻击类型：标签翻转、植入触发器、修改训练过程/模型。
• 攻击原理：基于中间梯度获取标签信息、注入攻击、修改模型参数。
• 防御方法：增强模型稳定性、梯度扰动、差分隐私、硬件TEE、同态加密。
• 主要局限性：攻击对象多为黑盒，防御技术存在技术壁垒。