論文の概要: A Systematic Investigation of Bias in Large Language Models for Advertising Relevance

• arxiv url: http://arxiv.org/abs/2610.07544v1
• Date: Tue, 06 Oct 2026 00:18:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.722187
• Title: A Systematic Investigation of Bias in Large Language Models for Advertising Relevance
• Title（参考訳）: 関連性広告のための大規模言語モデルにおけるバイアスの体系的調査
• Abstract要約: 大規模言語モデル(LLM)による関連判断における公正性の体系的研究を行う。 提案手法は,広告主のアイデンティティと,人気度,入力言語,人口統計学的単語処理の効果について検討する。 これらの知見は、広告実践者が公正なリスクを特定し、適切な緩和方法を開発するのに役立つ。
• 参考スコア（独自算出の注目度）: 7.44231200252187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly used to judge how well an advertisement matches a query, but the fairness of these judgments has received limited attention. We conduct a systematic study of fairness in relevance judgments made by LLMs for queries and advertisements. Our counterfactual framework examines the effects of advertiser identity and possible popularity, input language, and demographic wording. We study GPT-4o as a categorical relevance judge and a Qwen-7B model trained specifically for relevance prediction. The advertiser and language experiments use query and advertisement pairs sampled from real advertising logs. Controlled synthetic queries are used to study demographic associations in employment, housing, and credit. For both models, changing the advertiser identity or input language can alter the relevance assessment. Selected demographic comparisons also show patterns consistent with common stereotypes, particularly those involving gender and occupation. We further study mitigation during model inference and training. The results indicate that its effectiveness depends on whether advertiser information is relevant to the query and how advertiser labels are distributed in the training data. These findings can help advertising practitioners identify fairness risks and develop suitable mitigation methods for LLM relevance systems.
• Abstract（参考訳）: 大規模言語モデル (LLMs) は、広告がクエリとどの程度うまく一致しているかを判断するために使われることが多いが、これらの判断の公平性は、あまり注目されていない。 我々は,LLMによるクエリや広告に対する妥当性判断における公正性の体系的研究を行う。 提案手法は,広告主のアイデンティティと,人気度,入力言語,人口統計学的単語処理の効果について検討する。 我々はGPT-4oをカテゴリー的妥当性判定とQwen-7Bモデルとして検討した。 広告主と言語実験は、実際の広告ログからサンプリングされたクエリと広告ペアを使用する。 制御された合成クエリは、雇用、住宅、信用における人口動態の関連を研究するために使用される。 どちらのモデルでも、広告主のアイデンティティや入力言語を変更することで、関連性の評価を変えることができる。 選択された人口比較は、一般的なステレオタイプ、特に性別や職業に関わるパターンも示している。 さらに、モデル推論およびトレーニング中の緩和について研究する。 提案手法の有効性は,広告主情報がクエリに関連があるか,広告主ラベルがトレーニングデータにどのように分散されているかによって異なる。 これらの知見は、広告実践者が公正なリスクを識別し、LLMレバレンスシステムに適切な緩和方法を開発するのに役立つ。

関連論文リスト

• LLMAdBench: A Human Preference Benchmark for Advertising in LLM Responses [15.129418718069878]
  LLMAdBench は LLM 生成コンテンツにおける広告の人為的参照ベンチマークである。 我々のデータセットは、他のすべての条件を固定しながら、広告位置でのみ異なるレスポンスのペアを比較します。 その結果得られたベンチマークには、2つの公開条件にわたる18万以上の人間の判断が含まれている。
  論文  参考訳（メタデータ） (2026-09-26T12:14:49Z)
• Attribution Bias in Large Language Models [6.09327435498473]
  私たちはAttriBenchを紹介します。AttriBenchは、最初の有名人と人口統計学的にバランスの取れた引用属性のベンチマークデータセットです。 我々は,人種,性別,交叉群間の帰属精度の大規模かつ体系的な相違を観察する。 我々は、抑圧が広範に分布し、人口統計群に不均一に分散していることを発見し、標準的な精度の指標では捉えられない体系的なバイアスを明らかにした。
  論文  参考訳（メタデータ） (2026-04-06T22:40:03Z)
• A Comprehensive Study of Implicit and Explicit Biases in Large Language Models [1.0555164678638427]
  この研究は、生成的AIが増大する中で、大規模言語モデルにおけるバイアスに対処する必要があることを強調する。 我々は, StereoSet や CrowSPairs などのバイアス特異的ベンチマークを用いて,BERT や GPT 3.5 といった複数の生成モデルにおける様々なバイアスの存在を評価する。 その結果、微調整されたモデルでは性別バイアスに悩まされるが、人種バイアスの特定と回避には優れていた。
  論文  参考訳（メタデータ） (2025-11-18T05:27:17Z)
• Surface Fairness, Deep Bias: A Comparative Study of Bias in Language Models [45.41676783204022]
  大規模言語モデル(LLM)におけるバイアスの様々なプロキシ尺度について検討する。 MMLU (Multi-subject benchmark) を用いた人格評価モデルでは, スコアの無作為かつ大半がランダムな差が生じることがわかった。 LLMアシスタントメモリとパーソナライゼーションの最近の傾向により、これらの問題は異なる角度から開かれている。
  論文  参考訳（メタデータ） (2025-06-12T08:47:40Z)
• Small Changes, Large Consequences: Analyzing the Allocational Fairness of LLMs in Hiring Contexts [19.20592062296075]
  大規模言語モデル(LLM)は、採用のような高度なアプリケーションにますますデプロイされている。 本研究は、実際の人事利用を反映した2つのタスクを通して、LLMベースの採用システムの割当公平性を検討する。
  論文  参考訳（メタデータ） (2025-01-08T07:28:10Z)
• 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)
• Diverging Preferences: When do Annotators Disagree and do Models Know? [92.24651142187989]
  我々は,4つのハイレベルクラスにまたがる10のカテゴリにまたがる相違点の分類法を開発した。 意見の相違の大部分は、標準的な報酬モデリングアプローチに反対している。 本研究は,選好の変化を識別し,評価とトレーニングへの影響を緩和する手法を開発する。
  論文  参考訳（メタデータ） (2024-10-18T17:32:22Z)
• Prompt and Prejudice [29.35618753825668]
  本稿では,Large Language Models (LLMs) とVision Language Models (VLMs) におけるファーストネームの使用が与える影響について検討する。 本稿では、倫理的に注釈付けされたテキストシナリオにファーストネームを付加して、モデル出力における人口統計バイアスを明らかにするアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-07T14:11:33Z)
• Persuasion Strategies in Advertisements [68.70313043201882]
  我々は,説得戦略の広範な語彙を導入し,説得戦略を付加した最初の広告画像コーパスを構築した。 次に,マルチモーダル学習による説得戦略予測のタスクを定式化する。 我々は、Fortune-500社の1600件の広告キャンペーンについて、現実世界でケーススタディを実施している。
  論文  参考訳（メタデータ） (2022-08-20T07:33:13Z)

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。