브라우저 기반 연합 학습으로 개인정보 보호와 광고 수익을 동시에

초록

AdFL은 웹 브라우저 안에서 연합 학습을 수행해 사용자의 광고 선호를 모델링하고, 이를 전역 모델로 집계해 맞춤형 광고를 제공한다. 별도 소프트웨어 설치 없이 표준 브라우저 API와 TensorFlow.js를 활용하며, 광고 노출·클릭·체류시간 등 브라우저에서 수집 가능한 특징을 입력으로 사용한다. 실험 결과, 데이터 수집·학습이 수 밀리초 내에 완료되고, 뷰어빌리티 예측 AUC가 92.59%에 달한다. 차등 개인정보 보호(DP)를 적용해도 성능 저하가 제한적이다.

상세 분석

AdFL은 기존 연합 학습(Federated Learning, FL) 연구가 주로 모바일 디바이스나 서버‑클라이언트 환경에 초점을 맞춘 것과 달리, 순수 웹 브라우저 환경을 목표로 설계된 점이 가장 큰 차별점이다. 이를 위해 저자들은 다섯 개의 핵심 컴포넌트를 정의한다. 첫 번째는 데이터 수집 모듈로, MutationObserver와 같은 표준 DOM 감시 API를 이용해 광고 iframe 로드, 뷰어빌리티 측정, 클릭 이벤트 등을 실시간으로 캡처한다. 두 번째는 전처리 파이프라인으로, 수집된 로그를 정규화·정제하고, 결측값을 보완해 모델 입력 형태로 변환한다. 세 번째는 모델 학습 엔진이며, TensorFlow.js 기반의 경량 신경망을 브라우저 메모리(~50 MB)와 CPU 제한 안에서 몇 밀리초 내에 학습한다. 네 번째는 통신·동기화 레이어로, 첫‑파티 쿠키를 활용해 현재 전역 모델 버전을 추적하고, 비동기식으로 로컬 파라미터를 서버에 전송한다. 마지막으로 전역 집계 서버는 퍼블리셔가 직접 운영하거나 제3자 서비스로 위임할 수 있으며, FedAvg와 같은 표준 집계 알고리즘을 적용한다.

기술적 난관으로는 브라우저 메모리·연산 제약, 크로스‑오리진 보안 정책, 광고 스크립트와의 충돌이 있다. 저자들은 메모리 사용량을 50 MB 이하로 제한하고, 학습·추론 시간을 데스크톱에서 3 ms, 모바일에서 7 ms 이하로 유지함으로써 사용자의 페이지 체류에 영향을 최소화한다. 또한, 광고 콘텐츠 자체를 수집하지 않음으로써 iframe 보안 정책을 위반하지 않는다.

프라이버시 보호 측면에서는 **차등 개인정보 보호(Differential Privacy, DP)**를 로컬 모델 파라미터에 적용한다. 구체적으로 Gaussian noise를 파라미터 업데이트에 추가하고, ε‑DP(ε≈12) 수준을 유지한다. 실험 결과, DP 적용 시 AUC가 92.59%에서 약 12% 포인트 감소하는 정도로, 광고 수익에 큰 영향을 주지 않는다.

비교표(Table 1)를 통해 기존 연구와의 차이를 명확히 제시한다. 대부분의 선행 작업은 수직 FL(Vertical FL)이나 중앙집중식 모델에 의존해 광고주·DSP와의 데이터 공유가 전제되지만, AdFL은 **수평 FL(Horizontal FL)**을 채택해 사용자 데이터를 완전히 로컬에 머무르게 한다. 이는 GDPR·CCPA와 같은 규제 요구를 충족시키면서도 퍼블리셔가 자체적으로 광고 효율을 개선할 수 있게 한다.

실험은 두 개의 비중복 데이터셋(10일·30일, 일일 방문자 40 K)으로 수행했으며, 뷰어빌리티 예측 모델은 동적 입력 결합(concatenation) 레이어를 통해 가용한 피처를 자동 선택한다. 결과는 (1) 데이터 수집·전처리 지연 < 5 ms, (2) 모델 학습·추론 지연 < 7 ms, (3) AUC = 92.59% (DP 미적용) 및 DP 적용 시 90.8% 수준을 보였다.

한계점으로는 클라이언트 이질성(브라우저 종류·버전·하드웨어 성능 차이)과 통신 비용(파라미터 전송량) 관리가 아직 초기 단계이며, 장기적인 모델 수렴성에 대한 이론적 분석이 부족하다. 또한, 광고주 입장에서 모델이 제공하는 예측을 어떻게 입찰 전략에 연동할지에 대한 구체적 로드맵이 제시되지 않았다.

향후 연구 방향은 (①) 파라미터 압축·스파스 업데이트를 통한 통신 효율화, (②) 멀티‑태스크 학습으로 클릭‑스루·전환율·뷰어빌리티를 동시에 예측, (③) 퍼블리셔 간 모델 공유를 위한 연합 멀티‑테넌시 구조, (④) 실시간 입찰 엔진과의 API 연동을 통한 광고 수익 최적화, (⑤) 장기적인 사용자 행동 변화에 대한 연합 모델의 적응 메커니즘 설계 등을 포함한다. 전반적으로 AdFL은 브라우저 기반 연합 학습을 실제 광고 생태계에 적용한 최초 사례로, 프라이버시 보호와 광고 수익 사이의 트레이드오프를 실용적으로 해결하려는 중요한 시도라 할 수 있다.