广告与数字营销中的联邦学习：一项全面综述

《Knowledge-Based Systems》：Federated Learning in Advertising and Digital Marketing: A Comprehensive Survey

　　

**摘要**

联邦学习（FL）已成为广告和数字营销等数据敏感领域一种变革性的隐私保护机器学习范式。通过支持跨去中心化设备的协作模型训练，FL在满足严格的隐私法规（如GDPR、CCPA）的同时，支持个性化定向投放、推荐系统和广告活动优化。本文通过PRISMA指导的跨主要数据库搜索，筛选出52项主要研究，对FL在广告、数字营销、电商个性化及相关分析领域的应用文献进行系统综述。按年份、数字营销应用领域和联邦学习架构进行定量出版趋势特征分析，揭示了面向营销的FL研究持续增长的趋势，并识别出跨领域推荐为最具代表性的应用领域，横向FL为跨场景的主导架构方法。关键发现表明，FL在客户定向投放和推荐任务中可达到与集中式方法相当的性能，同时通过差分隐私和安全聚合等技术提供额外的隐私保障。本文提出了一种"流水线阶段FL适用性框架"，将FL架构和隐私机制映射到数字广告流水线的五个阶段，显示FL的应用主要集中在预测建模/定向投放阶段（约占应用领域相关研究的60%），而延迟关键的实时竞价阶段在文献中仍存在结构性缺失。数据异质性、通信开销和可扩展性等挑战依然存在。本文将FL与传统集中学习进行了比较，讨论了相关技术框架，并概述了与大型语言模型集成以及面向跨平台生态的纵向FL等机遇。本综述为未来研究提供了路线图，强调了隐私保护营销中的实际部署和伦理考量。

**引言**

数字营销和网络广告已发展成为数据驱动的行业，依赖用户行为、浏览模式和上下文信号[1,2]。传统广告平台在中央仓库中收集大量用户数据，用于训练机器学习模型以执行广告定向、客户细分、推荐系统和转化预测等任务[3]。

然而，这种集中式范式造成了重大的隐私风险和法律监管挑战。数据泄露、监控担忧以及GDPR和CCPA等法规促使各机构探索隐私保护的替代方案。联邦学习（FL）被认为是一种分布式机器学习方法，模型训练在去中心化的设备或组织之间进行，无需共享原始数据。客户端计算本地更新并将其聚合为全局模型。这种范式在保护隐私的同时，支持跨分布式数据孤岛进行协作学习[4]。

FL已在医疗、移动计算和推荐系统等领域获得发展。在数字营销和广告领域，FL越来越多地被探索用于隐私保护的个性化、跨平台广告协作和分布式推荐系统。

联邦学习在监管敏感性和机构数据孤岛创造了强烈隐私保护协作激励的领域达到了最高成熟度。医疗是最成熟的应用领域：跨机构临床数据受到HIPAA等严格保密法规的约束，FL使医院和研究机构能够在不直接交换患者记录的情况下训练共享的诊断和预测模型。该领域的近期贡献包括面向多机构协作医疗数据挖掘的隐私保护框架[5]，以及公平性加权聚合方法，旨在防止机构偏见在更广泛的隐私感知决策系统中主导全局模型[6]。金融是第二个成熟的应用领域，特别是在跨机构欺诈检测和信用风险建模方面，竞争和监管约束阻止了金融机构直接汇集原始交易数据[7]。IoT和边缘计算应用形成了另一个成熟的研究方向，反映了FL与资源受限的分布式设备架构的天然契合。

相比之下，专门应用于数字营销和网络广告的联邦学习仍然探索不足，尽管广告生态系统表现出与医疗和金融领域相同的跨机构数据孤岛结构，正是这种结构推动了FL在医疗和金融领域的应用：广告主、发布商和平台持有互补但不可共享的用户数据，并受GDPR和CCPA等类似的数据保护法规管辖。我们的搜索识别出这一特定交叉领域的工作体量要小得多且更近期才出现（n = 52，首篇识别研究出现在2019年，输出在2022年后才开始加速；见Figure 5）。与医疗、金融和IoT相比，这一较晚且较小的研究轨迹推动了本次综述的开展：与其将数字广告视为一般FL综述中的一个附带案例，本研究将焦点专门集中在这一较少探索的交叉领域，提供了目前更广泛文献所缺乏的整合性、领域特定综合分析。

例如，联邦方法允许用户偏好模型直接在用户设备上训练，同时仅将模型参数与中央服务器共享，从而减少个人行为数据的暴露[8]。

近年来，对隐私保护广告的兴趣日益增强，这源于数据保护法规的严格执法、日益碎片化和以同意为基础的浏览器隐私环境，以及联邦学习在个性化和推荐任务中的快速研究增长——本综述在第4节中对这一增长趋势进行了量化。这些发展使得理解FL技术如何具体转化为广告领域变得更为迫切，而不仅仅是停留在更广泛的FL文献中。

尽管兴趣日益增长，但广告FL的文献仍分散在针对单个应用的研究中——定向投放、推荐或广告活动优化——缺乏一个整合的、领域特定的参考框架来识别FL在广告流水线中的技术可行区域以及结构性障碍所在。如下文所述，现有综述并未直接解决这一空白。

若干现有综述从更广或相邻范围探讨了联邦学习，但均未提供本研究贡献的领域特定、结构基础的综合分析。Sun等人[9]广泛综述了联邦推荐系统，按算法分类法组织文献，而非按应用领域，且未涉及广告流水线的特定结构性约束如拍卖延迟或多利益相关方数据所有权。Javeed等人[10]同样综述了联邦个性化推荐系统，但其分析侧重于安全和隐私挑战而非部署实用性或流水线阶段可行性。在更广泛的范围内，Haripriya等人[11]提供了跨多个行业（包括医疗、金融、IoT、智慧城市和边缘计算）的联邦学习系统综述，在跨领域层面提供了可扩展性和实施障碍的比较评估；然而，数字营销和广告不在其核心领域范围内。表1总结了这些差异。

这一比较表明，本次综述在三个维度上同时区别于现有FL文献：对数字营销和广告领域的领域专属性、对部署成熟度的明确评估而不仅是架构分类、以及将FL应用与广告流水线特定阶段相连接的结构框架。因此，一个聚焦于这一交叉领域的、由PRISMA指导的系统综述既具有时效性（鉴于上述监管和研究势头），又对于将快速增长的研究成果整合为可操作的领域框架具有必要性。

本研究贡献了一种约束驱动的分析视角来审视联邦学习在数字广告系统中的应用。与以往主要关注应用编目或技术整理的综述不同，本研究通过广告流水线的结构性约束（包括实时竞价延迟、多利益相关方数据所有权和收益驱动的优化目标）重新解读现有文献。这不仅实现了联邦学习应用的系统映射，还解释了为何联邦学习的应用集中在广告流水线的某些阶段而在其他阶段缺席。

这一框架使本研究区别于传统的文献综述，强调的是结构可行性和系统级约束，而非纯粹对联邦学习应用的描述性分类。

**章节片段**

**联邦学习基础**

FL是一种分布式机器学习方法，通过聚合在去中心化数据源（如用户设备、浏览器或组织数据孤岛）上计算的本地更新来迭代优化全局模型。与传统集中式训练不同（原始数据被收集并存储在中央仓库中），FL将数据保留在每个客户端的本地，仅在训练过程中交换模型参数或梯度[12]。该方法在数字营销和广告领域具有吸引力，因为用户行为...

**方法论**

本研究采用统一的分类法，沿三个互补维度组织联邦学习在数字广告中的应用：(i) FL范式（横向、纵向和基于图的FL），(ii) 广告应用功能（如CTR预测、推荐和跨平台定向），以及(iii) 广告流水线中的位置。这些维度在单一分析框架内集成，而非作为独立的分类处理。

**FL应用的定性综合分析**

客户定向投放和个性化是现代数字广告系统的核心组成部分。广告平台旨在通过分析浏览历史、购买模式、互动指标和上下文信息等行为信号，向单个用户投放最相关的广告。传统上，这些个性化模型依赖从数百万用户收集的集中式数据集，使机器学习算法能够预测用户偏好并优化...

**综合：来自流水线阶段框架的命题**

回到第4.2节提出的流水线阶段FL适用性框架，从审查证据中出现了三个命题。第一（P1），横向FL主导预测建模/定向投放阶段，因为该阶段通常涉及许多结构相似的客户端（用户设备或账户）贡献同质化的特征空间——这是横向FL在架构设计上所适配的场景。第二（P2），纵向FL专门聚集在CTR/CVR预测而非...

**结论**

联邦学习已作为一种有前景的范式出现，用于解决现代广告和数字营销生态系统中个性化、数据治理和隐私之间的日益增长的张力。随着用户数据日益碎片化分布于设备、平台和监管领域，FL通过支持不聚合原始数据的协作模型训练，为集中式机器学习流水线提供了可行的替代方案。在本文的整个综述中，FL对关键...的应用...

**数据可用性**

本文中使用的所有数据均可通过联系通讯作者申请获取。

**CRediT作者贡献声明**

Ziyang Wang：写作——审阅与编辑、可视化、验证、软件、资源、调查、形式化分析、数据整理。Shaheen M. Sarkar：写作——初稿、可视化、验证、软件、形式化分析、数据整理、概念化。

**利益冲突声明**

作者声明他们没有已知的竞争经济利益或个人关系可能影响本论文中报告的工作。

**资金支持**

无资金支持。

Ziyang Wang|Shaheen M. Sarkar