Open research по ad-detection: 5 публикаций, которые стоит читать не по заголовку

Open research по ad-detection: 5 публикаций, которые стоит читать не по заголовку

Если смотреть на ad-detection как на индустрию, а не на отдельные банны, быстро видно три линии: image similarity, OCR и semantic embeddings. Именно они чаще всего лежат под капотом модерации креативов у крупных платформ, когда одинаковые баннеры, перерисованные скриншоты и «почти те же» тексты начинают ловиться как один класс.

— CLIP-style модели хорошо цепляют перерисованные лендинги и крео с минимальными изменениями: меняется цвет, фон, кнопка, но смысл и композиция остаются.
— OCR-детекторы полезны против текстовых наложений на видео и статичных баннеров: шрифты, плотность текста и повторяемые блоки становятся сигналом.
— Семантические модели ловят не слова по отдельности, а связку смысла: обещание, CTA, конфликт и «слишком рекламный» тон.

В open research по теме чаще всего встречаются три полезных класса работ: papers про multimodal retrieval, про document understanding и про robustness к image perturbations. Для арбитража это не академизм, а карта того, почему креатив с «маленькими правками» может падать не из-за одного триггера, а из-за совпадения нескольких слабых сигналов.

Если читать такие публикации регулярно, проще понимать логику платформ: они не ищут один запрещённый элемент, а собирают вероятность по набору признаков. Чем лучше вы понимаете, какие признаки видит модель, тем меньше сюрпризов в банрейт-отчётах.