[논문 리뷰] Advertising for Demographically Fair Outcomes

Lodewijk Gelauff, Ashish Goel외 2명|arXiv (Cornell University)|2020. 06. 06.

Auction Theory and Applications참고 문헌 31인용 수 13

한 줄 요약

이 논문은 등록 유권자 데이터를 기반으로 한 정확한 타겟팅과 맞춤형 대상자 집단 간 예산 배분 최적화를 통해 온라인 광고에서 인구통계학적 공정성을 달성하기 위한 광고주 중심의 알고리즘 프레임워크를 제안한다. Facebook의 추론 기반 인구통계학적 타겟팅이 정확하지 않다는 점을 입증하며, 리스트 기반 맞춤형 대상자 집단이 높은 정확도의 표현을 가능하게 한다. 저자들은 정확한 알고리즘과 근사 알고리즘을 개발하여 인종, 연령, 성별 그룹 간의 인구통계학적 평등을 최소한의 비용으로 달성하기 위해 캠페인 세분화와 예산 배분을 최적화한다.

ABSTRACT

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.

연구 동기 및 목표

• 시민 참여 캠페인에서 다수의 인구통계학적 집단(인종, 연령, 성별) 간 공정한 광고 결과를 달성하는 데 도전하는 것.
• 고도로 발전한 타겟팅 기능을 갖추고 있음에도 불구하고 기존 온라인 광고 플랫폼이 인구통계학적 공정성을 제공하지 못하는 이유를 탐구하는 것.
• 기존 인구통계학적 특성과 알려진 인구집단을 기반으로 최적의 캠페인 세분화와 예산 배분을 통해 인구통계학적 평등을 극대화하는 알고리즘 솔루션을 개발하는 것.
• 노스카롤라이나주 더럼과 그린스버러의 참가형 예산 투표 선거에서의 실제 현장 실험을 사용하여 제안된 프레임워크의 유효성을 평가하는 것.
• 결과 기반 광고에서 공정성, 비용 효율성, 대표성 간의 상호 상충 관계를 탐색하는 것.

제안 방법

• 저자들은 실제 현장 실험을 통해 Facebook이 추론한 특성(예: 다문화적 친화도, 자가 보고한 교육 수준 등)의 타겟팅 정확도와 알려진 특성(예: 인종, 연령, 성별)을 가진 등록 유권자 데이터를 기반으로 한 리스트 기반 맞춤형 대상자 집단 간의 정확도를 비교한다.
• 목표가 인종, 연령, 성별 조합에 걸쳐 인구통계학적 평등을 달성하도록 맞춤형 캠페인 간 예산을 할당하는 제약 조건이 있는 최적화 문제로 문제를 모델링한다.
• 플랫폼이 예산 비례 배분을 보장한다고 가정하고, 선형 프로그래밍 설정을 사용하여 최적의 캠페인 예산을 계산한다.
• 저자들은 정리 2에 기반한 정확한 알고리즘과 근사 알고리즘을 개발하여 추정된 전환율과 인구통계학적 비율을 사용해 최적의 캠페인 구조와 예산 할당을 계산한다.
• 고정된 파라미터와 주기적인 전환율 재추정을 통해 실제 데이터셋에서 프레임워크를 시뮬레이션하여 동적이고 적응적인 캠페인 할당을 수행한다.
• 동적 예산 조정을 위한 휴리스틱 기법을 포함: 실제 전환 수를 기반으로 주기적으로 phi_i(전환 효율성)를 재계산한 후, 정리 2를 사용해 캠페인과 예산을 재최적화한다.

실험 결과

연구 질문

• RQ1 다양한 기술적 수단을 보유하고 있음에도 불구하고, 왜 기존 Facebook 타겟팅 방법은 결과적으로 인구통계학적 공정성을 달성하지 못하는가?
• RQ2 등록 유권자 데이터 등 알려진 특성을 가진 리스트 기반 맞춤형 대상자 집단이 소수 인구집단의 타겟팅 정확도를 크게 향상시킬 수 있는가?
• RQ3 어떻게 하면 알려진 인구집단을 몇 개의 맞춤형 광고 캠페인으로 최적의 세분화하여 최소한의 비용으로 인구통계학적 평등을 달성할 수 있는가?
• RQ4 다차원 인구통계학적 타겟팅에서 비용 효율적이고 결과 기반의 공정성을 달성할 수 있는 알고리즘 프레임워크는 무엇인가?
• RQ5 제안된 프레임워크는 파라미터의 불확실성과 시간이 지남에 따라 발생하는 잘못된 예산 배분에 대해 얼마나 강건한가?

주요 결과

• Facebook의 추론 기반 타겟팅 방법—다문화적 친화도와 자가 보고한 교육 수준 기반—는 균일하게 낮은 정확도를 보이며 결과적으로 인구통계학적 평등을 달성하지 못한다.
• 등록 유권자 리스트에서 유래한 리스트 기반 맞춤형 대상자 집단은 아프리카계 미국인 및 연령군 타겟팅에서 훨씬 높은 특이도와 정확도를 보인다.
• 놀랍게도, Facebook의 표준 도구를 통해 소수 인구집단을 타겟팅하는 캠페인은 보다 광범위한 캠페인보다 달러당 전환 수가 적은 경우가 많아 공정성 목표를 뒤엎는다.
• 제안된 알고리즘 프레임워크는 리스트 기반 타겟팅과 최적화된 예산 배분을 통해 인종, 연령, 성별 조합 간에 최소한의 비용으로 인구통계학적 평등을 달성한다.
• 시뮬레이션 결과는 프레임워크가 세밀한 인구통계학적 특성과 현실적인 예산 제약 조건 하에서도 비례적 대표성을 유지하는 데 효과적이라는 것을 보여준다.
• 실제 전환 데이터를 기반으로 주기적으로 캠페인과 예산을 재최적화하는 휴리스틱 기법이 장기적인 공정성과 비용 효율성을 크게 향상시킨다.