| DC Field | Value | Language |
|---|
| dc.contributor.author | Нуансенгси, Д. В. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-07-14T06:42:02Z | - |
| dc.date.available | 2026-07-14T06:42:02Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Нуансенгси, Д. В. Синтетические данные для обучения рекламных моделей в электронной коммерции: методы генерации, приватность и ограничения = Synthetic data for training advertising models in e-commerce: generation methods, privacy, and limitations / Д. В. Нуансенгси // Электронные системы и технологии : сборник материалов 62-й научной конференции аспирантов, магистрантов и студентов БГУИР, Минск, 13–17 апреля 2026 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: П. В. Камлач [и др.]. – Минск, 2026. – С. 116–118. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/64599 | - |
| dc.description.abstract | Рассмотрены методы генерации синтетических данных (CTGAN, TVAE,
диффузионные модели) для обучения рекламных CTR-моделей в электронной коммерции.
Предложена методика оценки влияния синтетических данных на качество модели с
использованием набора данных Criteo. Установлено, что аугментация выборки
синтетическими примерами повышает AUC на 2,9%, тогда как полная замена реальных
данных приводит к model collapse (–8,6% AUC). Обоснована необходимость гибридного
подхода с применением дифференциальной приватности. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | синтетические данные | en_US |
| dc.subject | CTGAN | en_US |
| dc.subject | CTR-прогнозирование | en_US |
| dc.subject | электронная коммерция | en_US |
| dc.subject | дифференциальная приватность | en_US |
| dc.subject | model collapse | en_US |
| dc.subject | аугментация данных | en_US |
| dc.title | Синтетические данные для обучения рекламных моделей в электронной коммерции: методы генерации, приватность и ограничения | en_US |
| dc.title.alternative | Synthetic data for training advertising models in e-commerce: generation methods, privacy, and limitations | en_US |
| dc.type | Article | en_US |
| local.description.annotation | Methods of synthetic data generation (CTGAN, TVAE, diffusion models) for training
advertising CTR models in e-commerce are investigated. It is established that augmentation with
synthetic samples improves AUC by 2.9%, while complete replacement leads to model collapse (–
8.6% AUC). The necessity of a hybrid approach with differential privacy is substantiated. | en_US |
| Appears in Collections: | Электронные системы и технологии : материалы 62-й конференции аспирантов, магистрантов и студентов (2026)
|
