[論文レビュー] Percival: Making In-Browser Perceptual Ad Blocking Practical With Deep Learning

Zain ul Abi Din, Panagiotis Tigas+2 more|arXiv (Cornell University)|May 17, 2019

Adversarial Robustness in Machine Learning参考文献 53被引用数 16

ひとこと要約

Percival は、ブラウザの画像レンダリングパイプラインに直接埋め込まれた軽量でディープラーニング駆動の広告ブロッカーを提示する。これにより、わずか 4.55% のパフォーマンスオーバーヘッドでリアルタイムかつ知覚的広告検出が可能となる。EasyList ルールの再現精度は 96.76% に達し、最初のフェイスブック広告や非英語広告に対しても効果的にブロック可能である。これは、ブラウザの重要なレンダリングパスにコンパクトで高精度なモデルをデプロイする可能性を示している。

ABSTRACT

In this paper we present Percival, a browser-embedded, lightweight, deep learning-powered ad blocker. Percival embeds itself within the browser's image rendering pipeline, which makes it possible to intercept every image obtained during page execution and to perform blocking based on applying machine learning for image classification to flag potential ads. Our implementation inside both Chromium and Brave browsers shows only a minor rendering performance overhead of 4.55%, demonstrating the feasibility of deploying traditionally heavy models (i.e. deep neural networks) inside the critical path of the rendering engine of a browser. We show that our image-based ad blocker can replicate EasyList rules with an accuracy of 96.76%. To show the versatility of the Percival's approach we present case studies that demonstrate that Percival 1) does surprisingly well on ads in languages other than English; 2) Percival also performs well on blocking first-party Facebook ads, which have presented issues for other ad blockers. Percival proves that image-based perceptual ad blocking is an attractive complement to today's dominant approach of block lists

研究の動機と目的

• パフォーマンスコストを著しく増加させることなく、知覚的広告検出にディープラーニングを活用する実用的なブラウザ内広告ブロッカーの開発。
• 変形や動的変更が加えられた広告ドメインに対して失敗する従来のルールベース広告ブロッカーの限界を克服すること。
• 既存のシステムがしばしば見過ごす、最初のフェイスブック広告（例：フェイスブックのスポンサードコンテンツ）や非英語広告の効果的検出を可能にすること。
• 軽量で最適化されたディープニューラルネットワークが、リアルタイム分類を実現するブラウザのレンダリングパイプラインに効率的にデプロイ可能であることを示すこと。
• 既存のフィルターリストベースシステムを補完する、言語に依存しない広告ブロッキング層を提供すること。

提案手法

• ブラウザの画像レンダリングパイプラインに軽量なディープニューラルネットワークを統合し、ページレンダリング中に画像をインターセプトして分類する。
• ブラウザ環境における低遅延推論を最適化した、1.76MB の圧縮されたディープラーニングモデルを採用する。
• レンダリング中に同期的に広告ブロッキングを実行し、パフォーマンスへの影響を最小限に（4.55% のオーバーヘッド）、メモ化を活用した非同期分類でパフォーマンス向上を図る。
• テキストやメタデータに依存せず、AdChoices ロゴ やスポンサードコンテンツのインジケータなどの視覚的特徴に基づいて画像レベルで広告を検出する。
• 多様な広告および非広告画像のデータセット（非英語広告や最初の広告を含む）で学習させ、言語や広告タイプにわたる一般化を確保する。
• 処理負荷を軽減するため、100×100 ピクセルの閾値を適用して小さな画像をスキップし、必要に応じて分類処理を非同期スレッドに延期する。

実験結果

リサーチクエスチョン

• RQ1 現代のブラウザの重要なレンダリングパスにおいて、最小限のパフォーマンスオーバーヘッドでディープラーニングベースのブラウザ内広告ブロッカーをデプロイ可能か？
• RQ2 コンパクトで最適化されたディープニューラルネットワークが、テキストや URL 依存のヒューリスティクスに依存せず、視覚的外観に基づく広告検出で高い精度を達成できるか？
• RQ3 従来のルールベースシステムと比較して、知覚的広告ブロッキングは、フェイスブックのスポンサードコンテンツのような最初の広告をどの程度効果的に検出できるか？
• RQ4 視覚的特徴に依存するため、トレーニング時に明示的に見られなかった言語や広告デザインに対しても、そのようなシステムはどの程度一般化できるか？
• RQ5 このようなシステムは、既存のブロックリストベース広告ブロッカーの有効な補完層として機能できるか？

主な発見

• Percival システムは Chromium で平均 4.55% のパフォーマンスオーバーヘッドに留め、ディープニューラルネットワークをブラウザのレンダリングパイプラインにデプロイする可能性を示した。
• EasyList ルールの再現精度が 96.76% に達し、既存の広告ブロッキングヒューリスティクスとの強い相性を示した。
• 最初のフェイスブック広告のブロッキング精度は 92% に達し、適合率 78.4%、再現率 70.0% を達成。これは、この課題に対して従来のルールベースシステムを上回った。
• 非英語広告に対しても強力な一般化性能を示し、テキストに依存しない視覚的特徴に基づくため、言語に依存しない検出が可能であることを裏付けた。
• 1.76MB のモデルは、同等のモデルと比較して 150 倍も小さく、リソース制限のある環境での効率的デプロイを可能にした。
• 100×100 ピクセル未満の画像をスキップし、必要に応じて小規模な画像の分類処理を非同期スレッドに延期することで、パフォーマンスの劣化を緩和した。