🤖 machine learning

AdFL: In-Browser Federated Learning for Online Advertisement

이 논문은 온라인 퍼블리셔가 개인정보를 침해하지 않으면서 로컬 사용자 데이터를 사용하여 타겟 광고를 위한 글로벌 모델을 학습할 수 있게 해주는 브라우저 기반의 연합 학습 프레임워크인 AdFL을 소개하며, 차분 프라이버시(differential privacy) 보호 조치 하에서도 성능을 유지하면서 높은 예측 정확도(최대 92.59% AUC)를 달성합니다.

원저자: Ahmad Alemari, Pritam Sen, Cristian Borcea

게시일 2026-02-09

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ahmad Alemari, Pritam Sen, Cristian Borcea

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

인터넷이 거대하고 북적이는 시장이라고 상상해 보세요. 이 시장에서 퍼블리셔(뉴스 웹사이트와 같은)는 돈을 벌기 위해 당신에게 광고를 보여주고 싶어 하고, 광고주는 당신의 관심사에 맞는 광고를 보여주고 싶어 합니다.

오랫동안 이 방식은 마치 스파이 게임과 같았습니다. 당신에게 적절한 광고를 보여주기 위해, 웹사이트는 당신의 개인적인 일기(당신의 브라우징 기록, 클릭한 것, 머문 시간 등)의 복사본을 중앙 사무실로 보내야 했습니다. 이는 개인정보 보호 경보를 울렸고, 결국 "허락 없이 사람들의 일기를 주고받지 마시오"라고 말하는 새로운 법률(GDPR 등)로 이어졌습니다.

AdFL은 이 문제를 해결하는 새로운 발명품입니다. 이것은 마치 당신의 웹 브라우저 내부에서 일어나는 이동식 교실과 같습니다.

작동 방식은 다음과 같은 간단한 비유를 통해 설명할 수 있습니다.

1. "스파이가 없는" 교실 (연합 학습, Federated Learning)

당신의 일기를 중앙 사무실로 보내는 대신, AdFL은 선생님을 당신의 집으로 보냅니다.

기존 방식: 당신은 학교 교장 선생님에게 일기를 우편으로 보냅니다. 교장 선생님은 일기를 읽고 당신이 무엇을 좋아하는지 배운 뒤, 모든 선생님에게 그 내용을 알려줍니다.
AdFL 방식: 선생님(AI 모델)이 당신의 집(브라우저)으로 옵니다. 선생님은 바로 그곳에서 당신의 일기를 읽고 당신이 무엇을 좋아하는지 배우지만, 오직 배운 내용의 요약본만을 (예: "자동차를 좋아하는 학생은 스포츠도 좋아한다") 다시 보냅니다. 그리고 일기는 즉시 버립니다. 선생님은 당신의 가공되지 않은 데이터를 절대 볼 수 없으며, 당신의 데이터는 결코 당신의 컴퓨터를 떠나지 않습니다.

2. "브라우저 내부의" 작업실

논문은 AdFL을 당신의 웹 브라우저(Chrome이나 Safari 같은) 내부에서 완전히 실행되는 시스템이라고 설명합니다. 별도의 특수 앱이나 소프트웨어를 설치할 필요가 없습니다.

비유: 당신의 브라우저를 하나의 작업실이라고 생각하세요. 당신이 웹사이트를 방문할 때, AdFL 시스템은 그 작업실 안에 조용히 작은 작업대를 설치합니다.
도구: 이 시스템은 모든 현대적인 브라우저가 이미 가지고 있는 표준 도구들(예: 페이지에 변화가 생길 때 이를 알아차리는 눈 역할을 하는 "MutationObserver")을 사용합니다.
업무: 이 작업대는 광고가 로드되는 과정을 지켜봅니다. 그리고 다음 항목들을 측정합니다:
- 광고가 실제로 화면에 나타났는가? (가시성/Viewability)
- 당신이 그것을 보았는가? (체류 시간/Dwell time)
- 당신이 그것을 클릭했는가? (클릭 여부)

3. "글로벌 브레인" (Global Brain)

선생님(AI)이 자신의 로컬 작업실에서 학습을 마치면, "학습 노트"(모델 업데이트)를 퍼블리셔의 서버로 보냅니다.

집계 (Aggregation): 퍼블리셔는 수천 명의 서로 다른 학생(사용자)들로부터 받은 학습 노트를 가져와 하나로 섞어서 슈퍼 선생님(글로벌 모델)을 만듭니다.
결과: 이 슈퍼 선생님은 다시 모든 사람의 브라우저로 보내집니다. 이제 모든 브라우저는 모두를 위해 더 나은 광고를 고를 줄 아는 더 똑똑한 선생님을 갖게 됩니다. 이 과정에서 그 누구도 당신의 사적인 일기를 공유하지 않았습니다.

4. 왜 이것이 중요한가 ("가시성" 테스트)

연구진은 이 시스템이 실제로 작동하는지 확인하기 위해 특정 테스트 모델을 구축했습니다. 그들은 다음과 같이 물었습니다: "이 시스템이 사용자가 광고를 실제로 볼 것인지 예측할 수 있는가?"

비유: 광고판을 상상해 보세요. 만약 광고판이 나무 뒤에 숨겨져 있다면 아무도 볼 수 없고, 광고주는 돈을 낭비하게 됩니다. AdFL은 "나무"(당신의 화면 크기, 스크롤 속도 등)가 광고를 가릴 것인지를 예측하려고 노력합니다.
속도: 이 시스템은 믿을 수 없을 정도로 빠릅니다. 수학적 계산을 밀리초(ms) 단위(눈 깜빡임보다 빠르게)로 수행합니다. 따라서 당신의 컴퓨터를 느려지게 하거나 배터리를 소모하지 않습니다.
개인정보 보호막: 연구진은 "학습 노트"를 역설계하여 당신이 정확히 무엇을 했는지 알아내려는 시도를 막기 위해, 노트에 약간의 "정적 노이즈(static noise)"를 추가하는 **차분 프라이버시(Differential Privacy)**라는 "개인정보 보호 갑옷"을 테스트했습니다. 연구 결과, 이 갑옷은 선생님이 똑똑해지는 정도를 아주 미세하게 떨어뜨릴 뿐, 매우 효과적으로 작동한다는 것을 발견했습니다.

핵심 요약

이 논문은 AdFL이 다음과 같은 기능을 갖춘 작동 가능한 프로토타입이라고 주장합니다:

개인정보 보호: 당신의 개인 데이터는 당신의 기기에 그대로 머뭅니다.
퍼블리셔의 비용 절감: 사람들이 실제로 보는 광고를 보여주는 데 도움을 주어, 퍼블리셔가 더 많은 수익을 올릴 수 있게 합니다.
빠른 속도: 브라우저를 느려지게 하지 않고 백그라운드에서 실행됩니다.
설치 불필요: 당신의 브라우저가 이미 가진 도구들을 사용합니다.

요약하자면, AdFL은 당신의 개인적인 브라우징 기록을 완벽하게 비밀로 유지하면서도, (효과적인 타겟 광고라는) 맛있는 케이크를 먹을 수 있는 방법입니다.

기술 요약: AdFL – 온라인 광고를 위한 브라우저 기반 연합 학습

문제 정의

온라인 퍼블리싱 생태계는 타겟팅 광고 수익의 필요성과 강화되는 사용자 개인정보 보호 규제(예: GDPR, CCPA) 사이의 중대한 긴장 상태에 직면해 있습니다. 외부 광고 대행사로 사용자 행동 데이터를 전송하는 기존의 데이터 공유 관행은 점점 더 제한되고 있으며, 이로 인해 퍼블리셔들은 효과가 낮은 문맥 광고(contextual ads)에 의존해야 하는 상황에 처해 있습니다. 광고를 위한 기존 연 federated learning(FL) 솔루션들은 다음과 같은 상당한 통합 장벽에 부딪힙니다:

아키텍처 복잡성: 일부 제안 방식은 임베딩 대신 키-값(key-value) 입찰 구조에 의존하는 기존 광고 서버(예: Google Ads Manager)와 원활하게 통합되지 않는 계층적 서버 구조를 요구합니다.
데이터 의존성: 수직적 FL(Vertical FL) 접근 방식은 광고주와의 협력과 브라우저 내에서 접근할 수 없는 외부 전환 데이터에 대한 접근을 필요로 합니다.
브라우저 제한 사항: 기존의 브라우저 기반 FL 프레임워크는 광고 지표에 대한 특정 지원이 부족하거나, 실시간 데이터 수집을 수행하지 못하거나, 사용자의 방문 시간 동안 허용되는 계산 자원 대비 너무 많은 비용이 발생합니다.

핵심 과제는 사용자 데이터를 기기에 그대로 유지하면서도, 실시간 광고 서빙에 필요한 저지연 및 고효율성을 유지하며 개인정보를 존중하는 타겟팅 광고를 가능하게 하는 것입니다.

방법론: AdFL 프레임워크

AdFL은 사용자의 웹 브라우저 내에서 완전히 작동하도록 설계된 수평적 FL(Horizontal FL) 프레임워크입니다. 이는 데이터가 브라우저를 절대 떠나지 않으면서도 로컬 사용자 데이터를 사용하여 글로벌 모델을 학습할 수 있게 합니다.

시스템 아키텍처

시스템은 두 가지 주요 엔티티로 구성됩니다:

AdFL 서버 (퍼블리셔 측): 글로벌 모델을 호스팅하고 학습 과정을 조정합니다. 모델 버전 관리를 관리하고 로컬 업데이트를 집계합니다.
AdFL 클라이언트 (브라우저 측): 온라인 광고와 함께 비동기적으로 실행되는 JavaScript 기반 클라이언트입니다. 데이터 수집, 전처리, 로컬 모델 학습 및 추론을 처리합니다.

클라이언트 구성 요소

AdFL 클라이언트는 표준 브라우저 API(예: MutationObserver, IndexedDB, TensorFlow.js)를 사용하여 구현된 다섯 가지 모듈형 구성 요소로 이루어져 있습니다:

세션 매니저 (Session Manager, SM): 클라이언트의 라이프사이클을 관리하고, 구성 요소의 로드/언로드를 처리하며, 브라우저 저장소(IndexedDB)를 감독합니다.
데이터 수집기 (Data Collector, DC): 문맥 데이터(사용자 에이전트, OS, URL, 페이지 콘텐츠)와 세션 이력을 캡처합니다. 현재 및 과거 세션의 특징을 결합하여 완전한 사용자-페이지 패턴을 구축합니다.
광고 유틸리티 (Ad Utility, AdU): 광고가 로드될 때 실시간으로 광고 관련 지표를 캡처하도록 특별히 설계되었습니다. 가시성(viewability), 클릭률(click-through), 주의력(attention) 지표를 추적합니다. 예측에 기반하여 광고 동작(예: 새로고침 비율 수정)을 조정하기 위해 모델 추론을 트리거합니다.
데이터 전처리 및 저장 (Data Preprocessing and Storage, DPS): MinMax 스케일링 및 해시 인코딩과 같은 기술을 사용하여 원시 데이터를 전처리합니다. 클라이언트 간에 일관된 특징 표현을 보장하고 처리된 데이터 샘 샘플의 저장을 관리합니다.
모델 유틸리티 (Model Utility, MU): 모델 로딩, 학습 및 추론을 처리합니다. 구성 파라미터를 관리하고, 기기 제약 조건(메모리, 배터리)에 최적화하며, 학습 루프를 실행합니다.

워크플로우

초기화: 페이지 로드 시, SM은 AdFL 스크립트를 다운로드하고 저장소를 초기화합니다.
데이터 수집: DC와 AdU가 각각 문맥 데이터와 광고 관련 데이터를 수집합니다.
전처리: DPS가 원시 데이터를 특징 벡터로 변환합니다.
추론: 각 광고 로드 시, MU는 지표(예: 가시성)를 예측하기 위해 추론을 수행합니다. AdU는 이 예측을 사용하여 광고 디스플레이 파라미터(예: 광고 지속 시간 연장 또는 단축)를 동적으로 조정합니다.
학습: 주기적으로 MU는 축적된 데이터를 바탕으로 로컬 모델을 학습합니다.
집계: 로컬 모델 파라미터가 AdFL 서버로 업로드됩니다. 서버는 이를 FedAvg(데이터셋 크기에 따른 가중치 적용)를 사용하여 집계하여 글로벌 모델을 업데이트하고, 업데이트된 모델은 다시 클라이언트에 배포됩니다.

개인정보 보호 및 보안

데이터 로컬리티 (Data Locality): 원시 사용자 데이터는 브라우저를 절대 떠나지 않습니다.
위협 모델: 프로토콜을 준수하지만 모델 업데이트로부터 사용자 행동을 추론하려고 시도할 수 있는 "정직하지만 호기심 많은(honest-but-curious)" 서버를 가정합니다.
완화 조치: 프레임워크는 로컬 모델 업데이트에 노이즈를 추가하는 **차분 프라이버시(Differential Privacy, DP)**를 지원하여, 그래디언트 기반 추론 공격으로부터 보호합니다.

주요 기여

AdFL 프레임워크: 브라우저 환경에 특화되어 설계된 새롭고 엔드 투 엔드(end-to-end)인 FL 시스템으로, 클라이언트 측 소프트웨어 설치 없이도 온라인 광고를 위한 원활한 로컬 데이터 수집, 전처리 및 모델 학습을 가능하게 합니다.
광고 가시성 예측 모델: AdFL을 기반으로 구축된 개념 증명(PoC) 모델로, 동적인 입력 특징을 처리하고 자원이 제한된 기기에서도 효율적으로 실행될 수 있는 경량 신경망 아키텍처를 활용하여 광고 가시성을 예측합니다.
프로토타입 구현: 표준 브라우저 API(TensorFlow.js, IndexedDB)와 퍼스트 파티 쿠키를 사용하여 실시간 광고 데이터 수집과 효과적인 FL 학습을 시연하는 완전한 기능의 프로토타입을 구현하였으며, 이를 통해 서드 파티 쿠키의 필요성을 배제했습니다.

실험 결과

저자들은 약 40,000명의 일일 방문자가 있는 퍼블리셔 웹사이트의 두 가지 비중복 데이터셋(10일 및 30일 기간)을 사용하여 AdFL을 평가했습니다.

성능 및 지연 시간

지연 시간: 시스템은 실시간 광고 서빙에 적합한 낮은 지연 시간으로 작동합니다.
- 추론: 데스크톱 < 3ms, 모바일 < 7ms.
- 전처리: 데스크톱 ~40ms, 모바일 ~50ms.
- 학습: 데스크톱 회당 ~378ms, 모바일 ~469ms.
메모리 오버헤드: 시스템은 초기에 약 50MB의 JavaScript 메모리를 소비하며, 학습 및 추론 후에는 데스크톱 ~230MB, 모바일 ~198MB까지 증가하지만 이는 현대적 기기에서 실행 가능한 수준입니다.

모델 정확도

가시성 예측: FL 모델은 30일 데이터셋에서 최대 **92.59%**의 AUC(Area Under the Curve)를 달{%_}성했습니다.
FL vs. 중앙 집중식 학습 (CL): FL 모델의 성능은 중앙 집중식 모델과 유사했으며, 미미한 하락만을 보였습니다 (예: 50명 사용자 설정에서 FL 87.36% AUC vs. CL 89.19% AUC).
차분 프라이버시 (DP): 노이즈 $\epsilon$ 범위를 0.1에서 1.0 사이로 적용했을 때, 비 DP 버전과 비교하여 성능 저하가 미미하여, 개인정보 보호 조치를 수용 가능한 트레이드오프 내에서 구현할 수 있음을 입증했습니다.

특징 중요도

SHAP 분석을 통해, 광고 관련 특징(예: 광고 크기, 배치)과 커스-메이드 지표가 모델 성능에 가장 중요한 기여를 한다는 것을 확인하였으며, 이는 AdFL 클라이언트의 특화된 데이터 수집 능력의 중요성을 검증합니다.

의의 및 주장

본 논문은 AdFL을 온라인 광고의 "개인정보 보호 vs. 수익" 딜레마에 대한 실질적인 해결책으로 제시합니다. AdFL의 의의는 다음과 같습니다:

실현 가능성: 복잡한 FL 파이프라인이 사용자 소프트웨어 설치 없이 브라우저 제약 조건 내에서 얼마나 효율적으로 실행될 수 있는지 입증했습니다.
개인정보 보호: 퍼블리셔가 원시 데이터를 로컬에 유지하고 규정을 준수하면서도 타겟팅 광고를 위해 사용자 데이터를 활용할 수 있는 메커니즘을 제공합니다.
수익 최적화: 개인정보 보호 모델이 높은 정확도(최대 92.59% AUC)를 달성할 수 있음을 보여줌으로써, 퍼블리셔가 기존의 비(非) 개인정보 보호 중앙 집중식 시스템에 근접한 수익 수준을 유지할 수 있음을 시사합니다.

저자들은 AdFL이 사용자 개인정보 보호와 퍼블리셔 수익 사이의 균형을 맞추는 유망한 단계이며, 현재의 데이터 공유 관행 및 광고 차단 우회 방식에 대한 실행 가능한 대안임을 결론짓습니다.