[論文レビュー] Advertising for Demographically Fair Outcomes
本稿では、登録済み有権者リストを用いた正確なターゲティングと、カスタムオーディエンス間での予算配分最適化を活用することで、オンライン広告における人種・年齢・性別のデモグラフィック公平性を達成する広告主中心のアルゴリズム的フレームワークを提案する。Facebookの推定デモグラフィックターゲティングが不正確であるのに対し、リストベースのカスタムオーディエンスは高い正確性を実現する。著者らは、キャンペーンのセグメンテーションと人種・年齢・性別グループ間での予算配分を最適化することで、最小コストでデモグラフィックパラティーションを達成する正確かつ近似アルゴリズムを開発した。
Online advertising on platforms such as Google or Facebook has become an indispensable outreach tool, including for applications where it is desirable to engage different demographics in an equitable fashion, such as hiring, housing, civic processes, and public health outreach efforts. Somewhat surprisingly, the existing online advertising ecosystem provides very little support for advertising to (and recruiting) a demographically representative cohort. We study the problem of advertising for demographic representativeness from both an empirical and algorithmic perspective. In essence, we seek fairness in the outcome or conversions generated by the advertising campaigns. We first present detailed empirical findings from real-world experiments for recruiting for civic processes, using which we show that methods using Facebook-inferred features are too inaccurate for achieving equity in outcomes, while targeting via custom audiences based on a list of registered voters segmented on known attributes has much superior accuracy. This motivates us to consider the algorithmic question of optimally segmenting the list of individuals with known attributes into a few custom campaigns and allocating budgets to them so that we cost-effectively achieve outcome parity with the population on the maximum possible number of demographics. Under the assumption that a platform can reasonably enforce proportionality in spend across demographics, we present efficient exact and approximation algorithms for this problem. We present simulation results on our datasets to show the efficacy of these algorithms in achieving demographic parity.
研究の動機と目的
- 市民参加キャンペーンにおける複数のデモグラフィックグループ（人種・年齢・性別）にわたる公平な広告成果を達成する課題に対処すること。
- 高度なターゲティング能力を備えながらも、既存のオンライン広告プラットフォームがなぜデモグラフィック公平性を達成できないかを調査すること。
- 既知の人口を最適にカスタム広告キャンペーンにセグメント化し、予算を配分してデモグラフィックパラティーションを最大化するアルゴリズム的ソリューションを開発すること。
- ノースカロライナ州ダラムおよびグリーンズボロの参加型予算編成選挙における実世界のフィールド実験を用いて、提案フレームワークの有効性を評価すること。
- 成果に基づく広告における公平性、費用対効果、代表性のトレードオフを探索すること。
提案手法
- 著者らは、Facebookの推定特徴（例：マルチカルチャルアフィニティ、自己申告教育水準）と、既知の属性を有する登録有権者データから導出されたリストベースのカスタムオーディエンスのターゲティング精度を比較するため、実世界のフィールド実験をFacebook上で実施した。
- 目的は、人種・年齢・性別の組み合わせにおけるデモグラフィックパラティーションを達成するために、カスタムキャンペーン間で予算を配分することであるという制約付き最適化問題として問題をモデル化した。
- フレームワークは、プラットフォームによる割合別支出の強制を仮定し、線形計画法の定式化を用いて最適なキャンペーン予算を計算した。
- 著者らは、定理2に基づく正確および近似アルゴリズムを開発した。この定理は、推定コンversionsレートとデモグラフィック構成割合を用いて、最適なキャンペーン構造と予算配分を計算する。
- 実データセットを用いてフレームワークをシミュレートし、固定パラメータを用い、コンversionsレートを定期的に再推定することで、キャンペーン配分を動的に更新した。
- 動的予算調整のためのヒューリスティクスを含む：実際に発生したコンversionsを用いてphi_i（コンversions効率）を定期的に再計算し、その後定理2を用いてキャンペーンと予算を再最適化した。
実験結果
リサーチクエスチョン
- RQ1高度な技術を備えながらも、なぜ既存のFacebookターゲティング手法は、成果としてのデモグラフィック公平性を達成できないのか？
- RQ2登録有権者リストなど、既知の属性（例：登録有権者）を有するリストベースのカスタムオーディエンスは、代表されにくいデモグラフィックのターゲティング精度を著しく向上させることができるか？
- RQ3広告主が既知の人口を少数のカスタム広告キャンペーンに最適にセグメント化し、最小コストでデモグラフィックパラティーションを達成するにはどうすればよいか？
- RQ4どのようなアルゴリズム的フレームワークが、多様なデモグラフィックターゲティングにおいて費用対効果が良く、成果に基づく公平性を実現できるか？
- RQ5提案フレームワークは、パラメータの不確実性や時間経過に伴う誤配分に対して、どれほど頑健か？
主な発見
- Facebookの推定ターゲティング手法（マルチカルチャルアフィニティや自己申告教育水準に基づくもの）は、一貫して低い正確性を示し、成果としてのデモグラフィックパラティーションを達成できない。
- 登録有権者リストから得た、人種・年齢・性別の属性が既知のリストベースのカスタムオーディエンスを用いたターゲティングは、アフリカ系アメリカ人および年齢層のターゲティングにおいて、顕著に高い特異性と正確性を示した。
- 驚くべきことに、Facebookの標準ツールを用いてマイノリティデモグラフィックをターゲットにしたキャンペーンでは、広範なキャンペーンよりも1ドルあたりのコンバージョン数が少なくなり、公平性の目標を損なう結果となった。
- リストベースのターゲティングと最適化された予算配分を用いた本稿で提案するアルゴリズム的フレームワークは、人種・年齢・性別の組み合わせにおいて、最小コストでデモグラフィックパラティーションを達成した。
- シミュレーション結果から、フレームワークは細分化されたデモグラフィックを効果的にバランスさせ、現実的な予算制約下でも割合の代表性を維持できることを示した。
- 実際のコンバージョンデータに基づいて定期的にキャンペーンと予算を再最適化するためのヒューリスティクスは、長期的な公平性と費用対効果を著しく向上させた。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。