噪音實驗室

在 Noise Lab 中試用

1. 前往進階模式。
2. 在參數側邊面板中，找出轉換資料。
3. 觀察預設參數。預設值為每天 TOTAL 可歸因的轉換次數為 1,000。這個平均值大約是每秒 40 個 如果您使用預設設定 (預設維度、預設數量 每個維度可能出現的不同值，也就是主要策略 A)。請留意 在輸入的平均每日可歸因轉換次數中，這個值為 40 每個值區
4. 按一下 [模擬]，使用預設參數執行模擬。
5. 在「參數」側邊面板中找出「維度」。重新命名 將「Geography」為「City」，並將可能不同值的數量變更為 50。
6. 觀察這項變更對於平均每日可歸因轉換的影響 每個值區的數量它現在變得更低了。這是因為如果流量 這個維度中可能值的數量，但不會變更 在其他情況下，可以在不變更的情況下增加值區總數 每個值區中的轉換事件數量
7. 按一下「模擬」。
8. 觀察結果模擬的雜訊比例：雜訊比是 比前一次模擬得高

在 Noise Lab 中試用

在簡易模式中，系統會使用預設鍵結構。進階課程 可以測試不同的主要結構部分維度範例 已包含；也可以修改這些項目

1. 前往進階模式。
2. 在「參數」側邊面板中找出「主要策略」。觀察 工具中的預設策略 (名為 A) 使用精細的 包含所有維度的結構：地理位置 x 廣告活動 ID x 產品 類別
3. 按一下「模擬」。
4. 觀察結果模擬的雜訊比例。
5. 將主要策略變更為 B。畫面上會顯示其他控制選項 您能設定金鑰結構
6. 設定金鑰結構，例如：如下所示：
   1. 金鑰結構數量：2
   2. 金鑰結構 1 = 地理位置 x 產品類別。
   3. 金鑰結構 2 = 廣告活動 ID x 產品類別。
7. 按一下「模擬」。
8. 您會發現，現在每個評估目標類型都會有兩份摘要報表 (針對購買次數，兩個，兩組代表購買價值)， 有兩個不同的金鑰結構觀察牠們的噪音比例。
9. 您也可以使用自己的自訂維度嘗試此做法。方法很簡單，只要 第二種是 [維度]建議移除範例 然後在「新增/移除/重設」選項中自行建立 按鈕。

在 Noise Lab 中試用

1. 前往簡易模式 (或進階模式)，兩種模式皆可 以批次方式執行頻率)
2. 在參數側邊面板中，找出你的匯總策略 >批次處理頻率。這是指批次處理頻率 透過匯總服務處理的可匯總報表 單一工作。
3. 觀察預設批次處理頻率：預設為每日批次作業 頻率為模擬頻率
4. 按一下「模擬」。
5. 觀察結果模擬的雜訊比例。
6. 將批次處理頻率變更為每週。
7. 觀察結果模擬的雜訊比例：雜訊比是 比先前的模擬結果低 (優於之前的模擬結果)。

在 Noise Lab 中試用

雖然這可能難以預測，而且 除了季節性影響之外，建議您 可歸因於 10: 10、100、 1,000 或 10,000。

1. 前往進階模式。
2. 在參數側邊面板中，找出轉換資料。
3. 觀察預設參數。預設值為每天 TOTAL 可歸因的轉換次數為 1,000。這個平均值大約是每秒 40 個 如果您使用預設設定 (預設維度、預設數量 每個維度可能出現的不同值，也就是主要策略 A)。請留意 在輸入的平均每日可歸因轉換次數中，這個值為 40 每個值區
4. 按一下 [模擬]，使用預設參數執行模擬。
5. 觀察結果模擬的雜訊比例。
6. 現在，請將 TOTAL 每日可歸因轉換次數設為 100。 請留意，這樣會降低每日平均歸因價值 每個值區的轉換次數。
7. 按一下「模擬」。
8. 您會發現雜訊比現在更高，這是因為 每個值區的轉換量較少，系統會套用更多雜訊來維持 隱私權。

在 Noise Lab 中試用

1. 前往進階模式。
2. 在參數側邊面板中，找出你的匯總策略 >資源調度。且預設為「是」。
3. 為了瞭解擴充雜訊會帶來哪些正面影響 請先將「資源調度」設為「否」
4. 按一下「模擬」。
5. 觀察結果模擬的雜訊比例。
6. 將「Scaling」設為「是」。請注意，Noise Lab 會自動計算 指定要使用的縮放比例係數 挑選合適的評估目標在實際系統或來源試用中 建議您自行計算縮放比例係數。
7. 按一下「模擬」。
8. 您會發現此秒的噪音比率現在較低 (優於) 模擬情境因為您是採用資源調度。

在 Noise Lab 中試用

評估目標是指在轉換事件中收集的不同資料點。

1. 前往進階模式。
2. 在「參數」側邊面板中，找出要追蹤的資料： 評估目標。在預設情況下，您有兩種評估目標：購買 價值和購買數量
3. 按一下 [模擬]，使用預設目標執行模擬作業。
4. 按一下「移除」。這樣會移除最後一個評估目標 (購買) 計數)。
5. 按一下「模擬」。
6. 您會發現此數據的雜訊比例現在較低 。這是因為 這樣就能在評估目標時 捐款預算。
7. 按一下「重設」。您現在又有兩個評估目標：購買 價值和購買數量請注意，Noise Lab 會自動計算 指定縮放比例係數時， 評估目標對象根據預設，Noise Lab 會 對所有成效評估目標設定相同的預算。
8. 按一下「模擬」。
9. 觀察結果模擬的雜訊比例。記下 模擬結果中顯示的縮放比例係數。
10. 現在要自訂隱私預算分配方式， 即判定訊號與雜訊的比率。
11. 調整為每個評估目標指定的預算百分比。提供預設值 參數, 評估目標 1, 也就是購物價值 範圍 (介於 0 到 1000 之間) 的範圍就會大於評估目標 2，即 購買次數 (介於 1 到 1 之間，也就是一律等於 1)。因為 因為系統需要「有更多空間可調整」 因此指派更多 將預算分配給成效評估目標 1 (與成效評估目標 2 相比)， 可以更有效率地擴充 (請參閱「資源調度」一節)，
12. 將 70% 的預算指派給成效評估目標 1。為評估指派 30% 目標 2。
13. 按一下「模擬」。
14. 觀察結果模擬的雜訊比例。購買 雜訊比現在明顯低於先前 模擬情境購買次數大致維持不變。
15. 持續調整不同指標的預算分配方式。觀察影響 雜訊

請注意，如要自訂評估目標，您可以使用 新增/移除/重設按鈕。

在 Noise Lab 中試用

評估目標是指在轉換事件中收集的不同資料點。

1. 前往進階模式。
2. 在參數側邊面板中，找出你的匯總策略 >資源調度。
3. 確認資源調度已設定為是。請注意，Noise Lab 自動計算要使用的縮放比例係數 您為評估目標指定的範圍 (平均值和最大值)。
4. 假設史上最大的購買金額是 $2, 000 美元， 購買次數大多介於 $10 美元至 $120 美元之間。首先來看看會發生什麼事 若使用常值調整方法 (不建議採用)：輸入 $2000 美元做為 purchaseValue 的最大值。
5. 按一下「模擬」。
6. 請留意雜訊比例偏高。因為我們的擴充 係數目前是以 $2, 000 美元計算 購物價值自然會比較低
7. 現在，讓我們用更務實的資源調度方法。調整最高 購物價值設為 $120 美元
8. 按一下「模擬」。
9. 您會發現在第二次模擬中，雜訊比例較低 (優於)。

Noise Lab 快速導覽

Noise Lab 可協助您迅速完成 評估及比較噪音管理策略。其用途如下：

• 瞭解影響雜訊的主要參數，以及 以及已產生的影響
• 模擬雜訊對輸出測量資料的影響 每個人的設計決策都有所不同微調設計參數，直到達成 適合您的用途
• 針對摘要報表的實用性提供意見： 多個 Epsilon 值和雜訊參數適用於在哪裡？ 出現轉折點？

不妨將這部影片視為準備步驟。噪音實驗室 產生評估資料，以根據報表結果模擬摘要報表 。不會保存或分享任何資料。

Noise Lab 有兩種不同的模式：

1. 簡易模式：瞭解您對控制的基本概念 雜訊
2. 進階模式：測試不同的雜訊管理策略，並評估 根據您的用途，選擇合適的信號雜訊比。

點選頂端選單中的按鈕，即可在兩者之間切換 模式 (下方螢幕截圖中的#1.)。

簡易模式

• 透過簡易模式，您可以控制參數 (可在左側 或 #2.)。
• 每個參數都有工具提示 (「?」按鈕)。按一下這些即可查看 各參數的說明 (下方螢幕截圖中的#3.)
• 首先，按一下 [模擬]看看輸出內容 喜歡 (下方螢幕截圖中的#4.)
• 您可以在「輸出」部分查看各種詳細資料。只有部分通知 元素旁邊都有 `?`。請花點時間點選各個 `?` 來查看 對各種資訊的解釋
• 在「Output」(輸出) 部分中，按一下「Details」(詳細資料) 切換按鈕 如果想查看展開的表格 (下方螢幕截圖中的#5.)
• 在輸出部分的各個資料表下方，有一個選項 下載表格供離線使用。此外，在底部 您可以選擇下載所有資料表格 (#6. 請見下方螢幕截圖)
• 在「參數」部分中測試不同的參數設定 然後按一下「模擬」，即可查看結果如何影響輸出內容：

  

進階模式

• 在進階模式中，您可以進一步控管參數。個人中心 可以加入自訂評估目標和維度 (如螢幕截圖中的第 1 名和第 2 點 )
• 在「參數」部分中再向下捲動，並查看索引鍵 策略選項。可用來測試不同的鍵結構 (下方螢幕截圖中的 3.)。
  • 如要測試不同的金鑰結構，請將主要策略切換為「B」
  • 輸入要使用的不同鍵結構數量 (預設值為「2」)
  • 按一下「產生金鑰結構」
  • 畫面上隨即會顯示指定鍵結構的選項 找出要加入各個鍵結構的鍵，然後勾選旁邊的核取方塊
  • 按一下「模擬」即可查看輸出內容。

    

    ，瞭解如何調查及移除這項存取權。

    

雜訊指標

核心概念

加入雜訊以保護個別使用者的隱私權。

如果雜訊值偏高，表示值區/索引鍵是稀疏型 含有部分敏感事件的貢獻。完成了 由 Noise Lab 自動處理，讓個別使用者「藏在人群中」。或於 也就是保護這些受限人士進一步保障隱私 雜訊

雜訊值偏低，表示資料設定是針對這種 好比人類「在人群中隱藏」。也就是說， 值區內含的事件數量足以確保 保護個別使用者的隱私權

此陳述式適用於平均百分比錯誤 (APE) 和 RMSRE_T (根均方平方相對誤差，含門檻)。

APE (平均百分比錯誤)

APE 是信號本身雜訊的比例，也就是真實摘要值。p> APE 值越低，表示訊號雜訊比越好。

公式

針對特定摘要報表，APE 的計算方式如下：

True 是真實的摘要值。APE 是個別雜訊的平均值 真實摘要值，摘要報表中所有項目的平均值。 在 Noise Lab 中，這個值會乘以 100 即可算出百分比。

優缺點

大小較小的值區會對 APE 的最終值產生不成比例的影響。這可能會在評估雜訊時造成誤導。因此，我們加入了另一個指標 RMSRE_T，目的是減輕 APE 的這項限制。詳情請參閱範例。

程式碼

查看原始碼 的數字

RMSRE_T (根數與平方差相對誤差，含門檻)

RMSRE_T (根平均正方形相對誤差具有門檻) 是另一種計算雜訊的指標。

如何解讀 RMSRE_T

RMSRE_T 值越低，表示訊號雜訊比越好。
舉例來說，如果您的使用情況可以使用 20%，而 RMSRE_T 為 0.2，表示雜訊等級落在可接受的範圍內。

公式

針對特定摘要報告，RMSRE_T 的計算方式如下：

優缺點

相較於 APE，RMSRE_T 的清除功能較為複雜。不過，這有以下幾項優點，因此比 APE 更適合分析摘要報表中的雜訊：

• RMSRE_T 較為穩定。「T」為閾值「T」用於在計算 RMSRE_T 時將權重分配給轉換較少的值區，由於範圍較小，因此對雜訊而言更加敏感。如果使用 T，指標在轉換次數不多的值區中不會達到高峰。如果 T 等於 5，在轉換次數為 0 的值區中，雜訊值小如 1 會顯示為高於 1。而是 0.2，相當於 1/5，因為 T 等於 5。這個指標會降低對較雜訊較敏感的較小值區所設的權重，因此指標較為穩定，可讓您更輕鬆地比較兩項模擬。
• RMSRE_T 能讓您輕鬆匯總。知道多個值區的 RMSRE_T 及其真正計數後，您就可以計算總和的 RMSRE_T。您也可以藉此針對這些合併值最佳化 RMSRE_T。

雖然 APE 可以使用匯總功能，但這個公式相當複雜，因為涉及 Laplace 雜訊的絕對值。這使得 APE 難以進行最佳化。

程式碼

查看原始碼進行 RMSRE_T 計算。

範例

包含三個值區的摘要報表：

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

包含三個值區的摘要報表：

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

包含三個值區的摘要報表：

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

APE = (0.1 + 0.2 + Infinity) / 3 = Infinity

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

進階金鑰管理

需求端平台或廣告評估公司可能會在全球刊登數千則廣告 客戶，橫跨多個產業、貨幣和購買價格 潛力無窮也就是說，您可以建立並管理一個匯總鍵 很不切實際此外， 很難選取可匯總值的上限，以及匯總預算 限制全球數千位廣告主的噪音成效。 讓我們來看看以下情境：

關鍵策略 A

廣告技術供應商決定針對自家所有供應商決定建立及管理單一鍵 廣告客戶在所有廣告主和所有幣別中， 購買量主要來自低流量、高流量或高流量 購買。這會產生以下鍵：

重點策略 B

廣告技術供應商決定建立及管理自家機構的兩個鍵 廣告客戶因此決定依貨幣區分鍵。全部 廣告客戶和所有貨幣購買時，購買的數量往往來自於低流量 鎖定高量、低階的買氣請根據貨幣 他們會建立 2 個金鑰：

和重點策略 A 相比，關鍵策略 B 結果的雜訊較少，因為 貨幣金額不會統一分配 (跨貨幣)。例如： 思考一下，「¥」(石) 和 USD 會變更基礎資料，並產生雜訊輸出。

關鍵策略 C

廣告技術供應商決定建立及管理四個鍵， 按貨幣 x 廣告客戶區隔 產業：

策略 C 的結果會比主要策略 B 少，因為 廣告客戶購物價值不會統一分配至所有廣告客戶。適用對象 例如，想想如何選購並搭配其他商品購買高級珠寶 ，這就會改變基礎資料並產生雜訊輸出。

考慮建立共同的匯總值上限和共同的資源調度係數 找出多個廣告客戶的共通點，以減少 輸出內容例如，您可以嘗試不同的策略，以獲得翻譯成效。 您的廣告客戶：

• 一項以貨幣 (美元、¥、加幣等) 劃分的策略
• 依廣告主產業區分的策略 (保險、汽車、 零售等)
• 一種以購物價值範圍 ([100]、 [1000]、[10000] 等)

就廣告客戶共通性、重點和 較容易管理，且信號雜訊比 更高。測試不同的廣告客戶策略 能發掘提升雜訊影響 (相較於程式碼) 的連貫性 以自動化做法管理成本

進階離群值管理

我們來看看兩位廣告主的情境：

• 廣告客戶 A：
  • 廣告客戶 A 網站上所有產品的購買價格 可能介於 [$120 - $1,000] 之間，介於 $880 美元之間。
  • 購買價格平均分配於 $880 美元的金額範圍內 不含與購買價格中位數相差兩個標準差額以外的異常值。
• 廣告客戶 B：
  • 廣告客戶 B 網站上所有產品的購買價格 可能介於 [$120 - $1,000] 之間，介於 $880 美元之間。
  • 購買價格非常偏向 $120 - $500 美元， 其中只有 5% 的消費都發生在 $500 - $1,000 美元之間

由於 捐款預算規定 以及要用於 [套用雜訊](/privacy-sandbox/relevance/attribution-reporting/understanding-noise/#how-noise-is-套用到) 最終結果，廣告客戶 B 預設提供的輸出內容比 因為廣告客戶 B 比較有利於外部行銷 基本計算

您可以透過特定的金鑰設定緩解這個問題。測試主要策略 協助管理離群資料，以及更平均地分配購物價值 而是在鍵的購買範圍內

針對廣告客戶 B，您可以建立兩個不同的鍵來擷取兩個不同的鍵 購物價值範圍在這個範例中，廣告技術指出異常值 高於 $500 美元的購物價值建議您實作兩個不同的金鑰 此廣告主：

• 主要結構 1：只能擷取 介於 $120 - $500 美元之間 (涵蓋總購買量約 95%)。
• 主要結構 2：只能擷取超過 $500 美元的消費次數 (涵蓋總購買量的 5% 左右)。

執行這項關鍵策略應該能妥善管理廣告客戶 B 和廣告客戶 B 的干擾 以充分利用摘要報表的實用性。有新的 範圍、鍵 A 和鍵 B 現在應採用更統一的資料分佈情形 分別用於先前的單一鍵。這會產生 在每個索引鍵的輸出內容中，對前一個索引鍵的雜訊影響較小。