A federated learning approach to smart advertising

Abstract

(English) This thesis presents a Federated Learning-based Smart Advertising System designed to enhance user engagement, optimize network efficiency, and ensure data privacy in digital advertising. Traditional advertising systems face significant challenges in balancing personalization with privacy, managing network overhead, and scaling efficiently. This study addresses these issues by integrating Edge Computing and Federated Learning (FL) to enable real-time, decentralized ad targeting while keeping user data secure.

The proposed system consists of a decentralized recommendation engine, where local models are trained on users’ devices and aggregated using meta-heuristic optimization techniques, particularly the Whale Optimization Algorithm (WOA). Experimental results demonstrate that WOA outperforms other aggregation techniques, such as the Firefly Algorithm (FA) and Bat Algorithm (BA), in terms of convergence speed and overall efficiency. The system also leverages formal verification techniques, including model checking, to ensure correctness, security, and compliance with privacy regulations.

Comprehensive evaluation through both simulated and real-world case studies (such as the AROUND system) shows that the proposed architecture reduces network traffic, minimizes computational overhead, and significantly improves Click-Through Rates (CTR) and user engagement compared to traditional centralized models. The system is particularly beneficial for applications in museums, shopping malls, and retail chains, providing real-time tracking, indoor mapping, and personalized content delivery.

The findings underscore the potential of Federated Learning and Edge Computing in privacy-preserving smart advertising, offering a scalable, cost-efficient, and user-centric solution for the future of digital marketing.

(Català) Aquesta tesi presenta un sistema de publicitat intel·ligent basat en l’aprenentatge federat, dissenyat per millorar la interacció de l’usuari, optimitzar l’eficiència de la xarxa i garantir la privacitat de les dades en la publicitat digital. Els sistemes publicitaris tradicionals afronten desafiaments significatius a l’hora d’equilibrar la personalització amb la privacitat, gestionar la càrrega de la xarxa i escalar eficientment. Aquest estudi aborda aquestes qüestions mitjançant la integració de l’Edge Computing i l’Aprenentatge Federat (FL), permetent una segmentació publicitària descentralitzada en temps real mentre es mantenen segures les dades dels usuaris.

El sistema proposat consta d’un motor de recomanació descentralitzat, on els models locals s’entrenen als dispositius dels usuaris i es combinen mitjançant tècniques d’optimització metaheurística, en particular l’Algorisme d’Optimització de la Balena (WOA). Els resultats experimentals demostren que el WOA supera altres tècniques d’agregació, com l’Algorisme del Cuca de Llum (FA) i l’Algorisme del Ratpenat (BA), en termes de velocitat de convergència i eficiència global. A més, el sistema utilitza tècniques de verificació formal, incloent-hi la comprovació de models, per garantir la correcció, la seguretat i el compliment de les regulacions de privacitat.

L’avaluació exhaustiva mitjançant estudis de cas simulats i reals (com el sistema AROUND) mostra que l’arquitectura proposada redueix el trànsit de xarxa, minimitza la càrrega computacional i millora significativament les taxes de clics (CTR) i la interacció de l’usuari en comparació amb els models centralitzats tradicionals. Aquest sistema és especialment beneficiós per a aplicacions en museus, centres comercials i cadenes de venda al detall, proporcionant seguiment en temps real, cartografia interior i lliurament personalitzat de contingut.

Les conclusions subratllen el potencial de l’Aprenentatge Federat i l’Edge Computing en la publicitat intel·ligent respectuosa amb la privacitat, oferint una solució escalable, rendible i centrada en l’usuari per al futur del màrqueting digital.

(Español) Esta tesis presenta un sistema de publicidad inteligente basado en Aprendizaje Federado, diseñado para mejorar la participación del usuario, optimizar la eficiencia de la red y garantizar la privacidad de los datos en la publicidad digital. Los sistemas publicitarios tradicionales enfrentan desafíos significativos para equilibrar la personalización con la privacidad, gestionar la sobrecarga de la red y escalar de manera eficiente. Este estudio aborda estos problemas integrando Computación en el Borde y Aprendizaje Federado (FL) para permitir una segmentación de anuncios en tiempo real y descentralizada, manteniendo los datos del usuario seguros.

El sistema propuesto consta de un motor de recomendación descentralizado, donde los modelos locales se entrenan en los dispositivos de los usuarios y se agregan utilizando técnicas de optimización metaheurística, en particular, el Algoritmo de Optimización de Ballena (WOA). Los resultados experimentales demuestran que WOA supera a otras técnicas de agregación, como el Algoritmo de Luciérnagas (FA) y el Algoritmo de Murciélago (BA), en términos de velocidad de convergencia y eficiencia general. El sistema también aprovecha técnicas de verificación formal, incluyendo model checking, para garantizar corrección, seguridad y cumplimiento de regulaciones de privacidad.

Una evaluación integral a través de estudios de caso simulados y del mundo real (como el sistema AROUND) muestra que la arquitectura propuesta reduce el tráfico de red, minimiza la sobrecarga computacional y mejora significativamente las tasas de clics (CTR) y la participación del usuario en comparación con los modelos centralizados tradicionales. El sistema es particularmente beneficioso para aplicaciones en museos, centros comerciales y cadenas minoristas, proporcionando seguimiento en tiempo real, mapeo en interiores y entrega de contenido personalizado.

Los hallazgos destacan el potencial del Aprendizaje Federado y la Computación en el Borde en la publicidad inteligente con preservación de la privacidad, ofreciendo una solución escalable, rentable y centrada en el usuario para el futuro del marketing digital.