[论文解读] Advertising for Demographically Fair Outcomes

Lodewijk Gelauff, Ashish Goel+2 more|arXiv (Cornell University)|Jun 6, 2020

Auction Theory and Applications参考文献 31被引用 13

一句话总结

本文提出了一种以广告商为中心的算法框架，通过利用选民名单实现精准定位，并优化跨自定义受众的预算分配，以在在线广告中实现基于人口统计的公平结果。研究证明，Facebook 的推断型人口统计定位存在不准确的问题，而基于名单的自定义受众则能实现高精度的代表性；作者开发了精确算法与近似算法，通过优化广告活动的细分与跨种族、年龄和性别群体的预算分配，在最小成本下实现人口统计公平。

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.

研究动机与目标

• 解决在公民参与活动中，针对多个不同人口统计群体（种族、年龄、性别）实现广告结果公平性的挑战。
• 探究尽管具备先进定位能力，现有在线广告平台为何仍无法实现人口统计公平。
• 开发一种算法解决方案，将已知人群最优地划分为自定义广告活动，并分配预算以最大化人口统计公平。
• 通过北卡罗来纳州 Durham 和 Greensboro 参与式预算编制选举的真实世界现场实验，评估所提框架的有效性。
• 探讨基于结果的广告中公平性、成本效益与代表性之间的权衡。

提出的方法

• 作者利用 Facebook 的真实世界现场实验，对比 Facebook 推断特征（如多元文化亲和力、自报教育水平）与基于已知属性的注册选民数据构建的基于名单的自定义受众在定位准确性上的差异。
• 将问题建模为约束优化任务，目标是跨自定义广告活动分配预算，以在种族、年龄和性别组合上实现人口统计公平。
• 该框架假设平台强制执行按比例支出，并使用线性规划公式计算最优广告活动预算。
• 作者基于定理 2 开发了精确算法与近似算法，利用估计的转化率与人口统计比例，计算最优广告活动结构与预算分配。
• 在真实数据集上模拟该框架，采用固定参数并定期重新估计转化率，以自适应地更新广告活动分配。
• 该方法包含一种启发式动态预算调整策略：定期使用实际转化数据重新计算 phi_i（转化效率），然后基于定理 2 重新优化广告活动与预算。

实验结果

研究问题

• RQ1 尽管 Facebook 的定位方法技术先进，为何仍无法在结果上实现人口统计公平？
• RQ2 基于已知属性（如注册选民）的名单式自定义受众是否能显著提升对代表性不足人群的定位准确性？
• RQ3 广告商如何将已知人群最优地划分为少数自定义广告活动，以在最小成本下实现人口统计公平？
• RQ4 何种算法框架能够实现多维人口统计定位下的成本效益与结果导向的公平性？
• RQ5 该框架对参数不确定性与随时间推移的错配是否具有鲁棒性？

主要发现

• Facebook 的推断定位方法——基于多元文化亲和力与自报教育水平——表现出一致的低准确性，且无法在结果上实现人口统计公平。
• 通过注册选民名单构建、具备已知种族、年龄与性别属性的自定义受众，在非裔美国人及年龄组定位方面显著提升了特异性和准确性。
• 令人意外的是，通过 Facebook 标准工具针对少数群体的广告活动，其单位美元投入的转化数往往低于更广泛群体的广告活动，从而削弱了公平性目标。
• 所提出的算法框架，结合基于名单的定位与优化的预算分配，可在最小成本下实现种族、年龄与性别组合的人口统计公平。
• 模拟结果表明，该框架能有效平衡细致的人口统计特征，并在现实预算约束下维持比例代表性。
• 基于实际转化数据定期重新优化广告活动与预算的启发式方法，显著提升了长期公平性与成本效益。