Bridging the Generation Gap: Age-Parity in Synthetic Customer Profiles
Notice bibliographique
Résumé
Synthetic customer profiles are increasingly used to augment limited datasets for marketing analytics and personalization systems. Yet, generative methods often amplify imbalances between demographic segments-particularly younger$(\leq 35)$and older (>35) customers-leading to biased downstream models. We propose a Fairness-Constrained Tabular Variational Autoencoder (FC-TVAE) that enforces age-band demographic parity during profile generation. Starting with the publicly available Kaggle Customer Personality Analysis dataset (2,240 records with age, marital status, income, and annual spend across six product categories), we min-max normalize continuous features and discretize age into two bands$(\leq 35$vs.$>35)$. A maximum-mean-discrepancy regularizer is applied to the VAE's latent distributions to minimize the normalized demographic-parity gap (DPG) between age slices. We benchmark FC-TVAE against Baseline TVAE, Conditional GAN, FairGAN, and DP-WGAN, using five random seeds. On the normalized spend scale, FC-TVAE achieves an MSE of$0.0158 \pm 0.0004(\approx 12 \%$average absolute error), compared to$0.0150-0.0170$for baselines. Crucially, FCTVAE reduces DPG to$0.055 \pm 0.006$, a 27% improvement over FairGAN$(0.075 \pm 0.006)$and 42% over Conditional GAN$(0.095 \pm \mathbf{0. 0 0 7}) (p<\mathbf{0. 0 1})$. Minority-group recall for the younger cohort rises to$\mathbf{0. 7 5} \pm \mathbf{0. 0 2}$, outperforming FairGAN$(\mathbf{0. 6 8} \pm \mathbf{0. 0 2})$by$\mathbf{1 0}$% and DP-WGAN$(0.66 \pm 0.03)$by$13.6 \%(p<0.005)$. These results demonstrate that integrating age-band parity constraints at the model level yields the best balance of fidelity, fairness, and coverage. FC-TVAE offers a practical, extensible framework for generating inclusive synthetic profiles, enabling more equitable personalization across age groups in marketing analytics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».