5 публикаций по ad-detection, которые стоит читать не ради хайпа, а ради сигналов

5 публикаций по ad-detection, которые стоит читать не ради хайпа, а ради сигналов

Open research по ad-detection полезен не заголовками, а тем, какие признаки платформы начинают считать устойчивыми. В хороших работах обычно повторяются три слоя: image similarity, OCR по тексту в крео и семантика посадочной.

Первый слой — визуальные эмбеддинги: модели ловят не только одинаковые баннеры, но и «почти такие же» версии с заменой фона, рамки или цвета. Второй — OCR: важны не отдельные слова, а плотность текста, повторяющиеся шаблоны CTA, крупные дисклеймеры и псевдо-скриншоты. Третий — semantic matching: крео и лендинг сравнивают как смысловые объекты, а не как набор слов.

Для практики полезно смотреть не на «способы обхода», а на тип детектора. Если статья про CLIP-подобные модели, значит риск выше у близких по композиции креативов. Если упор на OCR, значит триггером становятся текстовые паттерны и верстка. Если исследование про graph-based linkage, значит подозрительными становятся связки аккаунт—домены—креативы.

Чек-лист при чтении публикации: какие модальности используются, есть ли мультиязычность, сравнивают ли только картинку или еще видео и лендинг, что считается positive match, и есть ли устойчивость к кропу, ресайзу, пересжатию. Именно эти детали лучше всего показывают, куда смещается модерация.

Полезнее всего собирать не ссылки в закладки, а таблицу признаков: визуал, OCR, семантика, доменные связи, видео-сигналы. Такой список быстро показывает, почему «незначительно измененный» креатив всё равно попадает в бан.