中国北京,2022年2月24日讯——领先的营销软件公司AppLovin(纳斯达克: APP)与对复杂网络机器人(bot)攻击和广告恶意欺诈进行全方位防御的全球领导者HUMAN Security(前身为White Ops)今日宣布建立合作伙伴关系。此举旨在通过HUMAN的流量质量保护技术为AppLovin的变现及营销软件解决方案保驾护航。
AppLovin近期整合了MoPub、MAX及AppLovin Exchange (ALX)业务,现已成为最大的移动应用内交易平台。此次携手HUMAN,将为AppLovin平台带来最佳的防欺诈保护以及高质量的流量体验。此外,作为The Human Collective的新成员,AppLovin也将加入业界其他领袖的行列,致力于为维护广告生态系统的流量质量贡献力量。
AppLovin广告技术解决方案总经理Idil Canal表示:“随着AppLovin的不断发展壮大,我们的首要任务就是采取积极的方式检查和防止任何与机器人行为相关的欺诈活动,并为我们供需双方的合作伙伴保驾护航。我们一直致力于打造业内最大的应用内广告平台,此次与HUMAN建立了合作伙伴关系,更是为AppLovin Exchange平台的程序化购买提供了充分的保障。”
除了采用sellers.json品牌安全解决方案以外,此次合作还通过HUMAN的MediaGuard功能对竞价前、后的流量质量提供强有力的保障,以此打击无效流量(IVT)并防止AppLovin平台产生任何非人为广告浏览,进而提升AppLovin用户所看重的整体质量、透明度和广告成效。AppLovin平台上的买家将从即时和主动的检测以及减少机器人活动中受益,并确保广告获得真实有效的用户浏览。此外,开发者也将受到保护免受恶意流量劫持的影响,在保障其盈利的同时,为其提供品牌安全所需的一切措施。
目前,HUMAN每周对超过15万亿次数字活动实施有效性验证,并为改善用户的数字体验提供了先进的数字活动验证引擎,卓越的检测技术和黑客智能技术。HUMAN通过在网络安全领域的不断扩张达到如今的规模,并为保护数字用户之旅的完整性提供了一套有效的产品,其中包括BotGuard for Applications、BotGuard for Growth Marketing以及MediaGuard。随着越来越多新的合作伙伴及企业开始使用Human Verification Engine,行业对网络犯罪状况的了解将更为深入。与此同时,HUMAN普及率的持续提升也将有效地打击对手,并保护用户免遭损失。
HUMAN联合创始人兼首席执行官Tamer Hassan 表示:“AppLovin一直致力于打造一个规模空前且安全可靠的市场,因此,我们对于此次合作感到非常高兴。我们双方的合作能够确保买家享有最佳的安全措施,使他们在AppLovin无限的广告供应中进行有效的投放和并触及真实用户。为了进一步加深双方的合作,我们也荣幸地宣布AppLovin这个全球最大的应用内移动交易平台成为Human Collective的新成员。”
HUMAN、BotGuard和MediaGuard均属HUMAN Security的注册商标。更多HUMAN解决方案的详细信息,请访问www.humansecurity.com。
关于AppLovin
AppLovin领先的营销软件为开发者提供了一套强大的解决方案,全方位实现应用的增长,并帮助开发者进行移动应用的投放、变现、分析和发行。AppLovin自身开发了350多款流行的移动应用,并通过平台自身的技术将这些产品带给全球数百万用户。AppLovin总部位于加州帕罗奥多,并在全球多地设立分公司。
关于HUMAN
HUMAN是一家保护企业免受网络机器人攻击,并致力于保证数字体验人性化的网络安全公司。我们拥有先进的数字活动验证引擎,保护应用程序、API和数字媒体免受网络机器人攻击,保护企业免遭损失,改善用户的数字体验。目前,我们每周需针对头部企业和互联网平台超过15万亿次数字活动实施有效性验证。HUMAN致力于保护您的数字信息业务。更多HUMAN相关信息,请点击www.humansecurity.com。
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
罗切斯特理工学院和美国陆军研究实验室的研究团队开发了一种突破性的无源域适应方法,通过混搭拼图增强技术和置信度-边界加权策略,使AI模型能在没有原始训练数据的情况下适应新环境。该方法在三个主要基准数据集上取得显著成果,特别是在PACS数据集上准确率提升了7.3%,为AI系统在隐私保护、安全限制等现实场景中的应用提供了新解决方案。
这篇论文介绍了R1-Code-Interpreter,一种通过有监督学习和强化学习训练大型语言模型进行代码推理的新方法。研究团队收集了144个推理和规划任务,利用多轮训练教会模型自主决定何时使用文本推理或生成代码。最终的14B模型在测试集上将准确率从44.0%提高到64.1%,超过纯文本GPT-4o并接近带Code Interpreter的GPT-4o。研究揭示了SFT阶段的关键作用,并发现模型展现出自发的自我检查行为,为开源模型提供了与商业模型竞争的代码解释器能力。