Into the Unknown: Accounting for Missing Demographic Data when Mitigating Ad Delivery Skew
本文提出并验证了一种预算拆分干预措施，该措施通过战略性地针对推断出的和“未知”人口群体，有效缓解了如 Google Ads 等平台上基于性别的广告投放偏差，为公平公共服务外展提供了一种具有成本效益的解决方案。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象你是一位镇长，正试图分发关于新建社区资源中心的传单。你希望确保镇上的每个人都能收到传单，无论他们是男性、女性，还是那些无法被简单归入这两类的人。你雇佣了一家高科技投递服务（类似于谷歌广告）将这些传单投递到人们的数字邮箱中。
你告诉投递服务：“请确保一半的传单发给男性，另一半发给女性。”
然而，该投递服务使用一个神秘的机器人来决定谁收到什么。该机器人会查看人们的浏览历史并推测其性别。有时它推测为“男性”，有时为“女性”，有时则只是耸耸肩说“我不知道”（我们将这些称为"未知用户"）。
问题：机器人的偏见
本文的研究人员发现，该机器人存在内置偏见。尽管镇长要求公平分配，但机器人却持续向它推测为男性的人分发多得多的传单。
为什么？因为机器人认为男性更有可能点击传单，因此为了节省成本并获得更好的效果，它向男性发送了更多传单。这意味着女性收到的传单更少，而“未知用户”（可能是女性、非二元性别者，或数字历史较少的人）则完全收不到传单，因为机器人不知道如何对他们进行分类。
旧方案：“账单分摊”法
此前，研究人员提出了一种名为"预算分摊"的解决方案。
- 运作方式：你告诉机器人：“停止猜测！我想要两堆独立的传单。一堆仅针对你认为是男性的人，另一堆仅针对你认为是女性的人。”
- 弊端：这种方法完全忽略了“未知用户”。如果机器人无法推测性别，传单就永远不会投递给他们。此外，这种方法成本高昂，因为机器人针对特定群体投放广告的费用，比广泛撒网要高得多。
新方案：“包容性分摊”法
本文作者与州政府合作，提出了一种更聪明的方法来解决这一问题，既不遗漏任何人，也不耗尽预算。他们将其称为"含未知用户的预算分摊"。
以下是他们富有创意的解决方案如何运作的简单类比：
想象你有一大桶水（你的广告预算），你想浇灌两个花园：“男性花园”和“女性花园”。
- 问题：机器人持续将 60% 的水倒入“男性花园”，而只有 40% 倒入“女性花园”。
- 旧方案：你建造了两根独立的管道。一根管道仅通往“男性花园”，另一根仅通往“女性花园”。你将一半的水倒入每根管道。但现在，“未知”花园（两者之间的杂草和野花）完全干涸。
- 新方案：你构建了一个混合系统。
- 你创建了一条仅针对男性的管道。
- 你创建了一条仅针对女性的管道。
- 关键的是，你还创建了标注为“男性或未知”以及“女性或未知”的管道。
通过交替使用这些管道，你确保了：
- “未知用户”有机会收到传单（他们不会被遗漏）。
- 你可以控制流向“男性”侧与“女性”侧的总水量，即使你并不确切知道“未知”堆中具体是谁。
- 其成本低于严格的“仅男性/仅女性”方案，因为你不必与机器人昂贵的猜测游戏进行如此激烈的对抗。
研究结果
研究人员在帮助小企业主的真实政府活动中测试了这一新方法。
- 结果：新方法成功阻止了机器人偏袒男性。传单分发比例更接近政府期望的 50/50 分配。
- 额外优势：它比旧的“严格分摊”方法更便宜，最重要的是，它没有让“未知”人群处于黑暗之中。
核心启示
该论文指出，当政府试图利用在线广告帮助所有人时，不能仅仅忽略那些算法无法理解的人群。通过采用这种“包容性分摊”策略，他们可以在不花费巨资或排除最弱势群体的的情况下，纠正不公平的分发问题。
作者还警告称，在线广告存在局限性。有时，接触人群的最佳方式根本不是通过计算机算法，而是通过老派的方法，例如访问图书馆或社区中心，特别是对于那些经常被互联网忽视的群体而言。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。