When Ads Become Profiles: Uncovering the Invisible Risk of Web Advertising at Scale with LLMs

Sintesi Tecnica: Quando gli Annunci Diventano Profili

Problematica
Nonostante gli sforzi normativi per limitare il targeting esplicito di categorie sensibili (ad es. orientamento politico, salute, orientamento sessuale) su piattaforme come Facebook, l'ottimizzazione algorica per l'engagement dell'utente continua a introdurre distorsioni demografiche nella distribuzione degli annunci. Di conseguenza, il flusso di pubblicità mostrate a un utente funge da proxy ad alta fedeltà per i suoi attributi privati. Sebbene la ricerca precedente avesse stabilito che i flussi pubblicitari contengono segnali latenti, sfruttare tali segnali richiedeva tradizionalmente pipeline dispendiose in termini di risorse, che prevedevano l'uso di enormi dataset etichettati e l'addestramento di classificatori su misura. L'emergere di potenti modelli linguistici di grandi dimensioni (LLM) multimodali con capacità zero-shot ha fondamentalmente alterato questo scenario. Il documento sostiene che la barriera per sfruttare questi segnali latenti è stata abbassata, consentendo ad avversari di effettuare l'ingegneria inversa di profili utente complessi partendo dalla sola esposizione passiva agli annunci, potenzialmente eludendo le attuali protezioni delle piattaforme e i quadri normativi.

Metodologia
Gli autori propongono una nuova pipeline che sfrutta gli LLM multimodali come motori di inferenza avversaria per eseguire il profiling in linguaggio naturale. Lo studio utilizza un dataset longitudinale raccolto tramite un'estensione del browser da 891 utenti australiani di Facebook, comprendente oltre 435.000 impression pubblicitarie attraverso 63.864 sessioni.

La pipeline tecnica consiste in tre fasi:

1. Estrazione delle Caratteristiche Multimodali: Utilizzando un LLM (Gemini 2.0 Flash), le creatività pubblicitarie grezze (immagini e testo) vengono elaborate per estrarre caratteristiche semantiche strutturate. Ciò include la generazione di una didascalia, categorie descrittive, classificazioni IAB ed entità chiave, trasformando dati multimodali ad alta dimensionalità in rappresentazioni testuali concise.
2. Inferenza a Livello di Sessione: Il flusso continuo di annunci viene segmentato in sessioni discrete basate su una soglia temporale derivata dai dati (389 secondi). L'LLM esegue la classificazione zero-shot sulla rappresentazione testuale di ogni sessione per predire attributi privati (Genere, Età, Reddito, Istruzione, Occupazione, Preferenza Politica) e genera un riassunto del ragionamento.
3. Profiling Longitudinale dell'Utente: I riassunti del ragionamento provenienti da più sessioni vengono aggregati in una cronologia narrativa. Un passaggio finale di inferenza sintetizza questi segnali cumulativi per ricostruire un profilo utente completo.

Lo studio valuta le prestazioni rispetto a forti baseline, inclusi il caso casuale, i priori basati sul censimento (derivati dai dati del censimento australiano) e annotatori umani.

Contributi Chiave

1. Una Nuova Pipeline per Svelare il Rischio Sociale: Gli autori introducono una metodologia che utilizza LLM multimodali per decodificare segnali semantici da creatività pubblicitarie non strutturate senza addestrare modelli su misura, spostando l'attenzione dai metadati comportamentali all'inferenza basata sul contenuto.
2. Quantificazione Empirica del Rischio per la Privacy: Il documento fornisce la prima prova empirica su larga scala che i flussi pubblicitari fungono da impronta digitale ad alta fedeltà. Dimostra che LLM pronti all'uso possono ricostruire attributi privati dalla sola osservazione passiva con un'accuratezza che eguaglia o supera la percezione sociale umana, a una frazione del costo (223 volte inferiore) e del tempo (52 volte più veloce).
3. Caratterizzazione del Profiling Scalabile: Lo studio rivela che il profiling azionabile è fattibile anche entro brevi finestre di osservazione (livello di sessione), indicando che il tracciamento prolungato non è un prerequisito per un attacco di successo. Ciò evidenzia una vulnerabilità sistemica in cui la logica di ottimizzazione della piattaforma stessa può essere sfruttata localmente.

Risultati

• Prestazioni a Livello di Sessione: Gli LLM hanno superato significativamente le baseline casuali nella ricostruzione degli attributi. Ad esempio, il modello ha raggiunto il 59,13% di accuratezza per il Genere e il 48,38% per l'Occupazione, rispetto a circa il 20% del caso casuale. Per gli attributi ordinali come Età e Reddito, i modelli hanno dimostrato una "correttezza direzionale", con un Errore Assoluto Medio (MAE) significativamente inferiore alle baseline casuali, indicando che le predizioni erano tipicamente entro 1-2 categorie rispetto al valore reale.
• Confronto Umano vs. IA: In una valutazione umana di 100 sessioni, gli LLM allo stato dell'arte (ad es. GPT-5, Gemini 2.5 Pro) hanno eguagliato o superato le prestazioni umane nella classificazione del Genere (76% vs. 73,67%) e hanno superato significativamente gli umani in attributi socio-economici complessi come l'Istruzione (51% vs. 33,67%) e l'Occupazione (53% vs. 37,83%).
• Ricostruzione a Livello Utente: L'aggregazione dei segnali attraverso le sessioni ha ulteriormente migliorato la precisione. L'LLM ha raggiunto il 76,38% di accuratezza per il Genere e il 41,60% per la preferenza politica, superando sostanzialmente i priori basati sul censimento. Notevolmente, il gruppo "Controllo Casuale" (dove l'ordine degli annunci è stato rimescolato) ha ottenuto risultati comparabili al modello sequenziale per i tratti socio-economici, suggerendo che il contenuto semantico cumulativo è il segnale primario, mentre l'ordine temporale aiuta nell'identificazione della stabilità della fase di vita (Età).
• Costo ed Efficienza: L'approccio automatizzato è risultato 223 volte più economico e 52 volte più veloce dell'analisi umana.

Significatività e Rivendicazioni
Il documento sostiene di fornire la prima prova empirica che i flussi pubblicitari funzionano come un'impronta digitale ad alta fedeltà capace di consentire il profiling off-platform che elude intrinsecamente le attuali protezioni delle piattaforme. Gli autori sostengono che la convergenza tra segnali pubblicitari latenti e le capacità zero-shot degli LLM crea una vulnerabilità sistemica nell'ecosistema pubblicitario.

La significatività di questo lavoro risiede nel dimostrare che la minaccia di violazione della privacy si è spostata dal richiedere attacchi specializzati e ricchi di risorse all'essere accessibile tramite strumenti "pronti all'uso". Gli autori sottolineano che questo rischio è particolarmente acuto nell'ecosistema delle estensioni del browser, dove strumenti dall'aspetto benigno (ad es. ad blocker) possiedono i permessi legittimi necessari per raccogliere silenziosamente il contenuto pubblicitario. I risultati suggeriscono che le attuali politiche sulla privacy potrebbero sottovalutare i rischi concentrandosi sull'identificazione esatta piuttosto che sul profiling semantico, e sottolineano l'urgente necessità di una governance responsabile dell'IA web nell'era dell'IA generativa. Il documento conclude che l'esposizione passiva ai contenuti algoritmici costituisce un significativo vettore di fuga, permettendo agli avversari di ricostruire le identità degli utenti senza la necessità di un tracciamento a lungo termine o di un accesso diretto ai dati dell'utente.