此页面由 Cloud Translation API 翻译。

了解摘要报告中的噪声

了解噪声的含义、添加位置以及噪声对效果衡量工作的影响。

摘要报告是对可汇总报告进行汇总的结果。当收集器对可汇总报告进行批处理并由汇总服务处理时，生成的摘要报告中会添加噪声（随机数量的数据）。系统会添加噪声，以保护用户隐私。此机制的目标是拥有一个可以支持差分隐私衡量的框架。

摘要报告中的噪声简介

虽然目前在广告效果衡量中通常不会添加噪声，但在很多情况下，添加噪声不会显著改变您对结果的解读方式。

您不妨从以下几个方面进行思考：如果数据并不杂乱，您是否有信心根据这些数据做出决策？

例如，假设广告系列 A 获得了 15 次转化，广告系列 B 获得了 16 次转化，广告客户是否有信心改变其广告系列策略或预算？

如果答案是否定的，则表示噪声不相关。

您需要按如下方式配置 API 使用：

在本节和后续内容中，我们将概述实现 2.

每次请求摘要报告时，汇总服务都会向每个摘要值添加一次噪声（即每个键添加一次）。

这些噪声值是从特定概率分布中随机抽取的，如下所述。

所有影响噪声的元素都依赖于两个主要概念。

无论汇总值是低值还是高值，噪声分布情况（详情如下）都相同。因此，摘要值越高，噪声的影响（相对于此值）可能越小。

例如，假设总购买总价值 2 万美元和总购买总价值 200 美元都受到了从同一分布中选择的噪声的影响。

我们假设此分布的噪音变化大约在 -100 到 +100 之间。
- 对于 20,000 美元的摘要购买价值，噪声介于 0 和 100/20,000=0.5% 之间。
- 对于 200 美元的汇总购买价值，噪声介于 0 和 100/200=50% 之间。
因此，噪声对 2 万美元的总购买价值的影响可能低于 200 美元。相对而言，20,000 美元可能不太嘈杂，因为信噪比可能会更高。

这有一些重要的实际影响，将在下一部分概述。此机制是 API 设计的一部分，其实际影响是长期的。在广告技术平台设计和评估各种汇总策略时，它们将继续发挥重要作用。
虽然无论汇总值如何，噪声都是从同一分布中提取的，但该分布取决于多个参数。在已结束的来源试验中，广告技术平台可以更改其中一个参数 epsilon，以评估各种效用/隐私调整。但是，将 Epsilon 调整能力视为临时性。我们欢迎您就自己的用例和效果良好的 Epsilon 值提供反馈。

虽然广告技术公司无法直接控制噪声的添加方式，但可能会影响噪声对衡量数据的影响。在接下来的部分中，我们将深入探讨在实践中噪声如何影响。

在开始之前，我们先来详细了解一下噪声应用方式。

噪声是从拉普拉斯分布中提取的，包含以下参数：

平均值 (μ) 为 0。这意味着最可能的噪声值为 0（未添加噪声），并且噪声值既可能小于原始值，也可能小于原始值（有时称为“无偏见”）。
scale 参数为 b = CONTRIBUTION_BUDGET / epsilon。
- CONTRIBUTION_BUDGET 是在浏览器中定义的。
- epsilon 在汇总服务器中已修复。

下图显示了 μ=0、b = 20 时拉普拉斯分布的概率密度函数：

假设广告技术平台请求获取两个汇总键（key1 和 key2）的摘要报告。

汇总服务会遵循相同的噪声分布选择两个噪声值 x1 和 x2。将 x1 添加到 key1 的汇总值中，并将 x2 添加到 key2 的汇总值中。

在图中，我们将噪声值表示为相同值。这是一种简化：实际上，噪声值会有所不同，因为它们是从分布中随机抽取的。

这说明噪声值均来自相同的分布，并且独立于它们所应用到的摘要值。

噪声将应用于每个摘要值，包括空值 (0)。

例如，即使给定键的真实摘要值为 0，您在该键的摘要报告中看到的噪声摘要值（极有可能）也不会为 0。

噪声可以是正数或负数。

例如，对于噪声前的购买交易金额 327,000，噪声可以是 +6,000 或 -6,000（这些是任意示例值）。

噪声的标准差为：

b*sqrt(2) = (CONTRIBUTION_BUDGET / epsilon)*sqrt(2)

当 Epsilon 值为 10 时，噪声的标准偏差为：

b*sqrt(2) = (CONTRIBUTION_BUDGET / epsilon)*sqrt(2) = (65,536/10)*sqrt(2) = 9,267

由于您将知道汇总服务向每个输出值添加的噪声的标准差，因此可以确定适当的阈值进行比较，以确定观察到的差异是否可能由噪声所致。

例如，如果添加到值中的噪声约为 +/- 10（考虑到缩放），并且两个广告系列之间的值差超过 100，那么我们很有可能会得出以下结论：每个广告系列之间测量的值的差异并非仅由噪声所致。