論文の概要: Auditing for Discrimination in Algorithms Delivering Job Ads

• arxiv url: http://arxiv.org/abs/2104.04502v1
• Date: Fri, 9 Apr 2021 17:38:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 07:34:27.414477
• Title: Auditing for Discrimination in Algorithms Delivering Job Ads
• Title（参考訳）: 求人広告配信アルゴリズムにおける差別の監査
• Authors: Basileal Imana, Aleksandra Korolova, John Heidemann
• Abstract要約: 我々は,求人広告配信における識別アルゴリズムのブラックボックス監査のための新しい手法を開発した。 最初のコントリビューションは、性別や人種などの保護されたカテゴリーによる、広告配信における歪の区別です。 第2に,他の要因と資格の違いによって説明可能なスクリューを区別する監査手法を開発する。 第3に、提案手法を求人広告のための2つの主要なターゲット広告プラットフォーム、FacebookとLinkedInに適用する。
• 参考スコア（独自算出の注目度）: 70.02478301291264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ad platforms such as Facebook, Google and LinkedIn promise value for advertisers through their targeted advertising. However, multiple studies have shown that ad delivery on such platforms can be skewed by gender or race due to hidden algorithmic optimization by the platforms, even when not requested by the advertisers. Building on prior work measuring skew in ad delivery, we develop a new methodology for black-box auditing of algorithms for discrimination in the delivery of job advertisements. Our first contribution is to identify the distinction between skew in ad delivery due to protected categories such as gender or race, from skew due to differences in qualification among people in the targeted audience. This distinction is important in U.S. law, where ads may be targeted based on qualifications, but not on protected categories. Second, we develop an auditing methodology that distinguishes between skew explainable by differences in qualifications from other factors, such as the ad platform's optimization for engagement or training its algorithms on biased data. Our method controls for job qualification by comparing ad delivery of two concurrent ads for similar jobs, but for a pair of companies with different de facto gender distributions of employees. We describe the careful statistical tests that establish evidence of non-qualification skew in the results. Third, we apply our proposed methodology to two prominent targeted advertising platforms for job ads: Facebook and LinkedIn. We confirm skew by gender in ad delivery on Facebook, and show that it cannot be justified by differences in qualifications. We fail to find skew in ad delivery on LinkedIn. Finally, we suggest improvements to ad platform practices that could make external auditing of their algorithms in the public interest more feasible and accurate.
• Abstract（参考訳）: Facebook、Google、LinkedInなどの広告プラットフォームは、ターゲット広告を通じて広告主に価値を約束する。 しかし、複数の研究により、そのようなプラットフォーム上での広告配信は、広告主から要求されていなくても、プラットフォームによる隠れたアルゴリズム最適化によって性別や人種によって歪められることが示されている。 広告配信における歪を測定する先行作業に基づいて,求人広告配信における識別アルゴリズムのブラックボックス監査のための新しい手法を開発した。 最初のコントリビューションは、性別や人種などの保護されたカテゴリーによる広告配信におけるスキューと、対象者間での資格の違いによるスキューとを区別することである。 この区別はアメリカ合衆国の法律において重要であり、広告は資格に基づいてターゲティングされるが、保護されたカテゴリーには当てはまらない。 第2に、広告プラットフォームによるエンゲージメント最適化やバイアスデータに基づくアルゴリズムのトレーニングなど、他の要因と資格の違いによって説明可能なキューを区別する監査手法を開発する。 本手法は,2つの同時広告の広告配信を類似のジョブに対して比較することにより,求職資格を規定するが,従業員の事実上の性別分布が異なる2つの企業に対して比較する。 結果に不等化スキューの証拠を立証する慎重な統計検査について述べる。 第3に、提案手法を求人広告のための2つの主要なターゲット広告プラットフォーム、FacebookとLinkedInに適用する。 われわれはfacebookでの広告配信における性別の偏りを確認し、資格の違いで正当化できないことを示した。 LinkedInで広告配信の難しさを見つけるのに失敗している。 最後に、公共の利益のためにアルゴリズムの外部監査をより実現可能かつ正確にする広告プラットフォームプラクティスの改善を提案する。

関連論文リスト

• Auditing for Bias in Ad Delivery Using Inferred Demographic Attributes [50.37313459134418]
  広告配信のブラックボックス監査において,予測誤差が偏見の監査に与える影響について検討した。 本稿では,広告配信アルゴリズムのスキュー評価において,推測誤差を軽減する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-30T18:57:03Z)
• On the Use of Proxies in Political Ad Targeting [49.61009579554272]
  我々は、主要な政治広告主がプロキシ属性をターゲットとして緩和を回避したことを示す。 本研究は政治広告の規制に関する議論に重要な意味を持つ。
  論文  参考訳（メタデータ） (2024-10-18T17:15:13Z)
• Auditing for Racial Discrimination in the Delivery of Education Ads [50.37313459134418]
  本稿では,教育機会のための広告配信において,人種的偏見を評価できる新たな第三者監査手法を提案する。 メタのアルゴリズムによる教育機会の広告配信における人種差別の証拠を見つけ、法的および倫理的懸念を訴える。
  論文  参考訳（メタデータ） (2024-06-02T02:00:55Z)
• Discrimination through Image Selection by Job Advertisers on Facebook [79.21648699199648]
  求人広告における新たな差別手段の出現状況について検討する。 ターゲティングとデリバリーの両方を組み合わせ、求人広告画像の特定の人口層を不均等に表現したり排除したりする。 私たちはFacebook Ad Libraryを使って、このプラクティスの有病率を実証しています。
  論文  参考訳（メタデータ） (2023-06-13T03:43:58Z)
• Towards Equal Opportunity Fairness through Adversarial Learning [64.45845091719002]
  逆行訓練は、自然言語処理におけるバイアス緩和の一般的なアプローチである。 本稿では、よりリッチな特徴を生み出すために、ターゲットクラスをインプットとして利用する、対位訓練のための拡張判別器を提案する。
  論文  参考訳（メタデータ） (2022-03-12T02:22:58Z)
• Choosing an algorithmic fairness metric for an online marketplace: Detecting and quantifying algorithmic bias on LinkedIn [0.21756081703275995]
  等資格候補に対する等機会の公平性の概念から、アルゴリズム的公正度計量を導出する。 提案手法は、LinkedInが使用している2つのアルゴリズムの性別に関するアルゴリズムバイアスを計測し、定量化する。
  論文  参考訳（メタデータ） (2022-02-15T10:33:30Z)
• Does Fair Ranking Improve Minority Outcomes? Understanding the Interplay of Human and Algorithmic Biases in Online Hiring [9.21721532941863]
  我々は、雇用者の仕事状況や固有のバイアスなど、オンライン雇用プラットフォームにおける性別バイアスの源泉を分析した。 結果から, 公平なランキングアルゴリズムは, 少数民族の選抜率を向上するが, 求職状況や候補者のプロファイルに大きく依存していることが示唆された。
  論文  参考訳（メタデータ） (2020-12-01T11:45:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。