噪音实验室

在 Noise Lab 中试用

1. 进入高级模式。
2. 在“参数”侧边栏中，找到“您的转化数据”。
3. 观察默认参数。默认情况下，每日总计 TOTAL 可归因转化次数为 1000 次。平均每个区域大约有 40 个 （默认维度、默认数量 每个维度可能具有不同的值，即键策略 A）。请注意 输入的平均每日可归因转化次数为 40 每个存储分区。
4. 点击“模拟”可使用默认参数运行模拟。
5. 在“参数”侧边栏中，查找“维度”。重命名 地理位置更改为城市，然后将可能的不同值的数量更改为 50。
6. 观察这会如何改变每日可归因的平均转化次数 每个存储分区的数量。现在它的音量要低得多了。这是因为，如果您提高 此维度中可能值的数量（不更改） 您可以增加存储分区的总数， 每个类别包含的转化事件数量。
7. 点击“模拟”。
8. 观察生成的模拟的噪声比：噪声比 现在高于上一次模拟。

在 Noise Lab 中试用

在简单模式下，将使用默认键结构。在“高级”中 模式下，您可以尝试不同的关键结构。一些示例维度 包括也可以修改这些内容

1. 进入高级模式。
2. 在“参数”侧边栏中，查找“关键策略”。观察 默认策略（在工具中名为 A）使用一个精细的键 包含所有维度的结构：地理位置 x 广告系列 ID x 产品 类别。
3. 点击“模拟”。
4. 观察生成的模拟的噪声比。
5. 将密钥策略更改为 B。这会显示额外的控件 供您配置密钥结构。
6. 配置密钥结构，例如如下所示： <ph type="x-smartling-placeholder">
   </ph>
   1. 密钥结构数量：2
   2. 关键结构 1 = 地理位置 x 产品类别。
   3. 关键结构 2 = 广告系列 ID x 产品类别。
7. 点击“模拟”。
8. 您会发现，对于每种衡量目标类型，您现在会获得两份摘要报告 （两个代表购买次数，两个代表购买价值），假设您使用的是 两种不同的键结构。观察它们的噪声比率。
9. 您也可以尝试使用自己的自定义维度执行此操作。为此，请查看 选择要跟踪的数据：维度。请考虑移除该示例 以及使用“添加/删除/重置”选项创建您自己的 按钮。

在 Noise Lab 中试用

1. 选择简单模式（或高级模式 - 这两种模式都会启用 处理数据的方式）
2. 在“参数”侧边栏中，找到“汇总策略 >”批处理频率。这指的是 使用汇总服务处理的可汇总报告， 单个作业。
3. 观察默认的批处理频率：默认情况下，每天批处理一次 只是模拟的频率
4. 点击“模拟”。
5. 观察生成的模拟的噪声比。
6. 将批处理频率更改为每周一次。
7. 观察生成的模拟的噪声比：噪声比 现在比之前的模拟结果更低（更好）。

在 Noise Lab 中试用

虽然这可能很难预测， 除季节性变化外，也可以尝试估算每天 归因于单接触点转化的 10 次方、100、100、 1,000 或 10,000。

1. 进入高级模式。
2. 在“参数”侧边栏中，找到“您的转化数据”。
3. 观察默认参数。默认情况下，每日总计 TOTAL 可归因转化次数为 1000 次。平均每个区域大约有 40 个 （默认维度、默认数量 每个维度可能具有不同的值，即键策略 A）。请注意 输入的平均每日可归因转化次数为 40 每个存储分区。
4. 点击“模拟”可使用默认参数运行模拟。
5. 观察生成的模拟的噪声比。
6. 现在，将每日可归因转化次数总计设置为 100。 您会发现这会降低平均每日可归因值 每个存储分区的转化次数。
7. 点击“模拟”。
8. 您会发现噪声比现在更高了：这是因为当您 每个类别的转化次数减少，应用更多噪声来维持 保护隐私。

在 Noise Lab 中试用

1. 进入高级模式。
2. 在“参数”侧边栏中，找到“汇总策略 >”扩缩。默认情况下，该值设置为“是”。
3. 为了了解扩缩对噪声的积极影响 则首先将“缩放比例”设置为“否”。
4. 点击“模拟”。
5. 观察生成的模拟的噪声比。
6. 将“扩缩”设置为“是”。请注意，Noise Lab 会自动计算 要在给定值范围（平均值和最大值）中使用的缩放系数， 您的场景的衡量目标。在真实系统或源试用中 设置，那么您可以自行实现缩放比例的计算。
7. 点击“模拟”。
8. 您会发现，在这一秒内，噪声比现在更低（更好） 模拟。这是因为您使用的是扩缩功能。

在 Noise Lab 中试用

衡量目标是在转化事件中收集的不同数据点。

1. 进入高级模式。
2. 在“参数”侧边栏中，查找要跟踪的数据： 衡量目标。默认情况下，您有两个衡量目标：购买 价值和购买次数
3. 点击“模拟”可使用默认目标运行模拟。
4. 点击“移除”。这将移除最后一个衡量目标（购买 数量）。
5. 点击“模拟”。
6. 您会发现，购买价值的噪声比现在较低 （更好）进行第二次模拟。这是因为 因此您只需一个衡量目标 捐赠预算。
7. 点击“重置”。现在，您同样有两个衡量目标：购买 价值和购买次数请注意，Noise Lab 会自动计算 给定参数中要指定的范围（平均值和最大值）， 衡量目标。默认情况下，Noise Lab 将 为各个衡量目标平均分配预算。
8. 点击“模拟”。
9. 观察生成的模拟的噪声比。请注意 模拟中显示的缩放比例。
10. 现在，我们来自定义隐私预算分配， 信噪比。
11. 调整为每个衡量目标指定的预算百分比。给定默认值 衡量目标 1（即购买价值）在转化价值方面的 比衡量目标 2 的范围更宽（0 到 1000 之间），即 购买次数（介于 1 到 1 之间，即始终等于 1）。由于 那么它需要“更多可扩缩的空间”：分配更多空间 为衡量目标 1 贡献的预算，而非为衡量目标 2 贡献预算， 可以更高效地进行扩容（请参阅“扩缩”），因此
12. 为效果衡量目标 1 分配 70% 的预算。为效果衡量解决方案分配 30% 的功劳 目标 2。
13. 点击“模拟”。
14. 观察生成的模拟的噪声比。购买 值，现在噪声比明显低于（优于）之前的 模拟。在购买次数方面，它们大致没有变化。
15. 不断调整各指标的预算分配比例。观察这会带来怎样的影响 噪声。

请注意，您可以使用 添加/删除/重置按钮。

在 Noise Lab 中试用

衡量目标是在转化事件中收集的不同数据点。

1. 进入高级模式。
2. 在“参数”侧边栏中，找到“汇总策略 >”扩缩。
3. 确保“扩缩”设置为“是”。请注意，Noise Lab 根据 v2 中的 为衡量目标指定的范围（平均值和最大值）。
4. 假设有史以来金额最大的购买金额为 2, 000 美元，但 多数购买行为的支出在 10 美元到 120 美元之间首先，我们来看看会出现什么情况 如果我们使用字面值扩展方法（不推荐）：输入 $2000 作为 purchaseValue 的最大价值。
5. 点击“模拟”。
6. 您会发现噪声比率较高。这是因为 系数目前的计算依据是 2000 美元，但事实上 购买价值明显低于该金额。
7. 现在，我们来使用更实用的扩缩方法。更改最大值 最高 120 美元
8. 点击“模拟”。
9. 您会发现，在第二次模拟中，噪声比较低（更好）。

Noise Lab 快速导览

Noise Lab 助您快速上手 评估和比较噪声管理策略。该模型可用于：

• 了解可能影响噪声的主要参数，以及 会造成的影响。
• 模拟噪声对以下输出测量数据的影响： 做出不同的设计决策微调设计参数，直至达到 适合您的应用场景的信噪比。
• 请就摘要报告的实用性提供反馈： 使用 Epsilon 值和噪声参数值，但哪个值不适合？在哪里 有哪些？

可以将其视为一个准备步骤。Noise Lab 生成衡量数据以模拟摘要报告输出结果 输入。它不会保留或共享任何数据。

Noise Lab 有两种不同的模式：

1. 简单模式：了解您拥有的控件的基础知识
2. 高级模式：测试不同的噪音管理策略并评估 哪种方式可为您的使用场景提供最佳的信噪比。

点击顶部菜单中的按钮即可在两者之间切换 模式（如以下屏幕截图中的第 1 条所示）。

简单模式

• 在“简单”模式下，您可以控制“参数”（位于左侧） 或 2.如下面的屏幕截图所示），看看它们对噪声的影响。
• 每个参数都有一个提示（“?”按钮）。点击这些图标即可查看 对每个参数的说明（第 3 条，如下面的屏幕截图所示）
• 要开始模拟，请点击然后观察输出内容 （#4. 在下面的屏幕截图中）
• 在“输出”部分，您可以看到各种详细信息。部分 元素旁边会显示 `?`。请花点时间点击每个 `?`， 对各种信息的说明
• 在“输出”部分，点击“详细信息”切换开关 如果您想查看该表格的展开版本（第 5 条，如下面的屏幕截图所示）
• 在输出部分的每个数据表下方，有一个选项 下载该表格以供离线使用。此外，在底部 有一个用于下载所有数据表格的选项（#6. 如下面的屏幕截图所示）
• 测试“参数”部分中的参数的不同设置 然后点击“模拟”，看看对输出结果有什么影响： <ph type="x-smartling-placeholder">

  </ph>

高级模式

• 在高级模式下，您可以更好地控制参数。您 可以添加自定义衡量目标和维度（屏幕截图中的第 1 条和第 2 条） 见下文）
• 在“参数”部分进一步向下滚动，然后查看 策略选项。这可用于测试不同的密钥结构 （#3. 在下面的屏幕截图中） <ph type="x-smartling-placeholder">
  </ph>
  • 如需测试不同的按键结构，请将按键策略切换到“B”
  • 输入您要使用的不同按键结构的数量 （默认设置为“2”）
  • 点击“Generate Key Structures”
  • 您会看到用于指定键结构的选项，只需点击 要为每个键结构添加的键旁边的复选框
  • 点击“模拟”即可查看输出。 <ph type="x-smartling-placeholder">

    </ph>

    。 <ph type="x-smartling-placeholder">

    </ph>

噪声指标

核心概念

系统会添加噪声，以保护个人用户隐私。

如果噪声值较高，则表示区段/键稀疏， 包含由数量有限的敏感事件贡献的内容。大功告成 让人们能够“隐藏在人群中”或 换句话说，就是为这些有限的个人以更精细的方式 添加噪声。

如果噪声值较低，则表明数据设置是按照 已经允许个人“隐藏在人群中”。这意味着 存储分区包含足够数量事件的贡献 保护个人用户的隐私。

该陈述同时适用于平均百分比误差 (APE) 和 RMSRE_T（具有阈值时的均方根相对误差）。

APE（平均百分比误差）

APE 是噪声与信号的比率，即真实的摘要值。p> APE 值越低，信噪比越高。

公式

对于给定的摘要报告，APE 的计算方式如下：

</ph>

True 是真实汇总值。APE 是每个周期内的噪声的平均值 真实摘要值，根据摘要报告中所有条目计算得出的平均值。 在 Noise Lab 中，该值将乘以 100 得到一个百分比。

优缺点

大小较小的存储分区对 APE 的最终值有不成比例的影响。在评估噪声时，可能会有误导性。因此，我们又添加了一个指标 RMSRE_T，旨在减轻 APE 的这一限制。有关详情，请查看示例。

代码

查看源代码 。

RMSRE_T（具有阈值的均方根相对误差）

RMSRE_T（设定了阈值的均方根相对误差）是另一种噪声衡量指标。

如何解读 RMSRE_T

RMSRE_T 值越低，信噪比越高。
例如，如果您的用例可接受的噪声比为 20%，而 RMSRE_T 为 0.2，那么您就可以确信噪声水平在可接受的范围内。

公式

对于给定的摘要报告，RMSRE_T 的计算方式如下：

</ph>

优缺点

RMSRE_T 的理解比 APE 稍微复杂一些。不过，它具有一些优势，因此在某些情况下比 APE 更适合分析摘要报告中的噪声：

• RMSRE_T 更稳定。“T”是一个阈值。“T”用于在 RMSRE_T 计算中为转化次数减少、因范围较小而对噪声更敏感的桶使用更低的权重。如果设置为 T，则指标在转化次数很少的区间内不会出现峰值。如果 T 等于 5，则对于转化次数为 0 的存储分区，最小为 1 的噪声值将不会显示为大于 1。由于 T 等于 5，因此上限将为 0.2，相当于 1/5。通过为对噪声更敏感的较小分桶分配更少的权重，此指标更稳定，因此可以更轻松地比较两个模拟。
• RMSRE_T 可轻松汇总。了解多个存储分区的 RMSRE_T 及其真实计数，可让您计算其总和的 RMSRE_T。这样，您还可以针对这些组合值针对 RMSRE_T 进行优化。

虽然 APE 可以进行聚合，但公式相当复杂，因为它涉及拉普拉斯噪声总和的绝对值。这使得 APE 更难优化。

代码

查看源代码以进行 RMSRE_T 计算。

示例

包含三个类别的摘要报告：

• bucket_1 = 噪声：10，trueSummaryValue：100
• bucket_2 = 噪声：20，trueSummaryValue：100
• bucket_3 = 噪声：20，trueSummaryValue：200

APE = (0.1 + 0.2 + 0.1) / 3 = 13%

RMSRE_T = sqrt( ( (10/max(5,100))^2  + (20/max(5,100))^2 +
(20/max(5,200))^2) / 3) =  sqrt( (0.01 + 0.04 + 0.01) / 3) =  0.14 

包含三个类别的摘要报告：

• bucket_1 = 噪声：10，trueSummaryValue：100
• bucket_2 = 噪声：20，trueSummaryValue：100
• bucket_3 = 噪声：20，trueSummaryValue：20

APE = (0.1 + 0.2 + 1) / 3 = 43%

RMSRE_T = sqrt( ( (10/max(5,100))^2  + (20/max(5,100))^2 +
(20/max(5,20))^2) / 3)  =  sqrt( (0.01 + 0.04 + 1.0) / 3) =  0.59

包含三个类别的摘要报告：

• bucket_1 = 噪声：10，trueSummaryValue：100
• bucket_2 = 噪声：20，trueSummaryValue：100
• bucket_3 = 噪声：20，trueSummaryValue：0

APE = (0.1 + 0.2 + 无穷大) / 3 = 无穷大

RMSRE_T = sqrt( ( (10/max(5,100))^2  + (20/max(5,100))^2  +
(20/max(5,0))^2) / 3) =  sqrt( (0.01 + 0.04 + 16.0) / 3) =  2.31

高级密钥管理

一家需求方平台或广告衡量公司可能拥有数以千计的全球广告 客户，涵盖多个行业、多种货币，以及购买价格 潜力。也就是说，在每个网页上创建和管理一个汇总键， 这很可能是非常不切实际的此外，它还将 选择可汇总的最高值和 在这数以千计的全球广告客户中，限制噪声带来的影响。相反， 我们来考虑以下几种情形：

关键策略 A

该广告技术提供商决定为自己的所有服务创建和管理一个密钥， 广告客户。对于所有广告客户和所有币种， 购买量各不相同，有的从低高端的购买到大批量的低端购买，不一而足 购买。这将生成以下键：

关键策略 B

该广告技术提供商决定在其 广告客户。他们决定按货币来分隔键。在所有 但购买量不尽相同 从高端到高额、低端购买按币种进行分隔 他们创建了 2 个密钥：

与关键策略 A 相比，关键策略 B 的结果噪声更少，因为 货币值在各个货币之间不均匀分布。例如： 考虑一下以 ¥ 计价的购买交易与以 ¥ 计价的购买交易如何混杂 USD 会改变基础数据和产生的噪声输出。

关键策略 C

该广告技术提供商决定在 广告客户，并按“币种 x 广告客户”来划分这些客户 行业：

与关键策略 B 相比，关键策略 C 的结果噪声更少，因为 广告客户的购买价值在各个广告客户之间并不均匀分布。对于 以高端珠宝购买与购买相结合的方式， 会改变底层数据并产生噪声输出。

考虑创建共享最大汇总值和共享调节系数 以找出多个广告客户的共同点，以减少 输出。例如，您可以在下方尝试不同的策略 您的广告客户：

• 一项策略，按币种（美元、元、加元等）
• 一项策略按广告客户所在行业（保险、汽车、 零售等）
• 一项策略，按相似的购买价值范围 ([100]、 [1000]、[10000] 等）

围绕广告客户的共性、要点和 相应代码更易于管理，而信噪比 。针对不同的广告客户尝试不同的策略 找出最大限度提高噪声带来的影响的转折点（与代码相比）的共性 管理。

高级离群值管理

我们以两个广告客户的情景为例：

• 广告客户 A：
  • 广告客户 A 网站上所有产品的购买价格 可能介于 [120 美元 - 1,000 美元] 之间，区间为 880 美元。
  • 购买价格在 880 美元范围内平均分配 并且没有离群值超出购买价格中位数两个标准差之外的离群值。
• 广告客户 B：
  • 广告客户 B 网站上所有产品的购买价格 可能介于 [120 美元 - 1,000 美元] 之间，区间为 880 美元。
  • 购买价格严重偏向于 120 到 500 美元这一区间 其中只有 5% 的购买交易发生在 500 美元至 1,000 美元的范围内。

由于存在 捐赠预算要求 以及对最终结果应用噪声的方法，那么默认情况下，广告客户 B 的输出会比 广告客户 A，因为广告客户 B 的离群值更有可能影响 底层计算。

使用特定的密钥设置可以缓解此问题。测试关键策略 这有助于管理离群数据，以及更均匀地分配购买价值 。

对于广告客户 B，您可以创建两个单独的密钥以捕获两个不同的 购买价值范围。在此示例中，广告技术平台注意到离群值 高于 500 美元的购买价值。请尝试为 此广告客户：

• 键结构 1 ：仅用于捕获 介于 120 美元到 500 美元之间（约占总交易量的 95%）。
• 键结构 2：仅适用于 500 美元以上的购买交易的键 （约占总交易量的 5%）。

实施这一关键策略应该能够更好地管理广告客户 B 的干扰数据， 帮助从摘要报告中最大限度地为他们提供实用信息。由于新的 范围，键 A 和键 B 的数据分布现在应更加均匀 与上一个键对应的各个键之间的距离。这会导致 相较于前一个键，每个键的输出对噪声的影响更小。