AWS Clean Rooms ML
多个组织无需共享数据即可联合训练和推理机器学习模型的隐私保护型 ML 协作功能
概述
AWS Clean Rooms ML 是 AWS Clean Rooms 的扩展功能，允许多个组织在不直接共享彼此原始数据的情况下联合执行机器学习模型的训练和推理。广告主与发布商、零售商与制造商等数据协作伙伴之间，可以在保护隐私的同时生成相似受众或构建转化预测模型。提供保护各参与方数据和模型知识产权的隐私增强控制功能，降低单条记录被识别的风险。将以往因法律和技术障碍难以实现的跨组织 ML 应用，以托管服务的形式轻松导入。
通过 Lookalike Modeling 生成相似受众
Clean Rooms ML 的代表性用例是 Lookalike Modeling (相似受众生成)。将广告主持有的优质客户列表 (种子数据) 与发布商持有的用户属性数据进行匹配，生成具有与种子客户相似特征的新目标受众。此处理在 Clean Rooms 的协作环境内执行，广告主无法看到发布商的单个用户数据，发布商也无法了解广告主客户列表的详情。生成的相似受众以带有相似度评分的细分形式输出，可连接到广告投放平台以提高定向精度。模型训练是自动化的，即使没有 ML 专业知识也可以从控制台执行。
隐私保护的技术机制
Clean Rooms ML 的隐私保护由多个技术层构成。首先，通过协作的分析规则限制各参与者可访问的数据范围和聚合级别。差分隐私 (Differential Privacy) 是 AWS Clean Rooms 在分析查询结果中加入经校准噪声的功能，使逆向推断单条记录变得困难 (对 ML 处理的适用范围请参阅 AWS 官方文档)。通过隐私预算的概念管理查询累积带来的隐私风险积累，超出预算的查询会被自动阻止。在 ML 处理中，提供用于保护各参与方数据和模型知识产权的隐私增强控制功能。审计日志记录在 CloudTrail 中，可追踪谁在何时执行了什么分析。
协作设计与实务考量
要使用 Clean Rooms ML，首先需要在合作伙伴之间达成协作共识。需要事先商定数据使用目的、分析规则 (最小聚合单位、可输出的指标)、隐私预算的分配，并反映到 Clean Rooms 的协作设置中。实务中，法务部门的数据使用协议审查与技术团队的分析规则设计可以并行推进。费用按量计费：Lookalike Modeling 按请求的模型训练和生成的细分规模计费，自定义模型按处理的记录数和使用的计算资源计费 (截至 2026 年 9 月，最新计费单位和单价请参阅 AWS 官方价格页面)。对于 Lookalike Modeling，训练次数和生成细分的规模会影响费用，因此提高种子质量并确定所需的细分规模有助于控制成本。模型不会自动再训练，AWS 官方文档建议每周再训练一次 (截至 2026 年 9 月)，可据此并根据受众变化速度确定频率，在新鲜度和成本之间取得平衡。
参考资料（AWS 官方）
本页的第一手信息来源是 AWS 官方网站及官方文档。最新的规格与价格请以下列官方页面为准。
如本页内容与官方文档不一致，请以官方文档为准。