利用印象方差感知强化学习实现个性化广告中的公平性
人工智能
2023-06-12 v2 计算机与社会
摘要
不同人口统计群体间广告印象结果的方差日益被视为个性化广告系统中算法偏见的潜在指标。尽管在个性化系统语境中有许多公平性定义可能适用，我们提出了一个称为方差缩减系统（VRS）的框架，以在 Meta 的广告系统中实现更公平的结果。VRS 以求私保护的方式，针对选定的受保护类（PC）属性，使广告印象分布更紧密地将广告合格受众（广告主定向标准的函数）的人口统计与实际看到该广告的受众对齐。我们首先定义度量，以量化关于 PC 属性（包括性别和估计种族）的广告印象方差方面的公平性差距。随后我们提出 VRS，以印象方差感知的方式对广告重排序。我们通过不同参数选择下的广泛模拟评估 VRS，并研究 VRS 对所选定公平性度量的影响。最后我们展示了将 VRS 应用于 Meta 广告系统的在线 A/B 测试结果，并以未来工作讨论作结。我们已将 VRS 部署至美国所有住房广告用户，使我们的公平性度量显著改善。VRS 是首个大规模部署的、在在线广告中追求多 PC 属性公平性的框架。
引用
@article{arxiv.2306.03293,
title = {Towards Fairness in Personalized Ads Using Impression Variance Aware Reinforcement Learning},
author = {Aditya Srinivas Timmaraju and Mehdi Mashayekhi and Mingliang Chen and Qi Zeng and Quintin Fettes and Wesley Cheung and Yihan Xiao and Manojkumar Rangasamy Kannadasan and Pushkar Tripathi and Sean Gahagan and Miranda Bogen and Rob Roudani},
journal= {arXiv preprint arXiv:2306.03293},
year = {2023}
}
备注
11 pages, 7 figure, KDD 2023