論文推薦におけるバイアス緩和と品質最適化のための公正な学習
arXiv cs.AI / 2026/3/13
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- Fair-PaperRec は、ポストレビューの論文受理決定における人口統計的バイアスを低減しつつ、高品質基準を維持することを目的とした、MLP（多層パーセプトロン）ベースのモデルである。
- 人種・国といったインターセクショナルな公平性制約と、格差を抑制するカスタマイズされた公平性損失を導入し、ヒューリスティックな調整に頼らず格差を抑える。
- ACM Special Interest Group on Computer-Human Interaction (SIGCHI)、Designing Interactive Systems (DIS)、Intelligent User Interfaces (IUI) の会議データを用いた評価は、周縁化されたグループの参加が42.03%増加し、全体的な有用性が3.16%向上することを示し、多様性は厳密さを損なうことなく促進できることを示している。
- このアプローチは、公平性を重視したピアレビューの解決策の実現を目指しており、学術出版におけるバイアス緩和に関する将来の研究に影響を与える可能性がある。
頻繁なダブルブラインド審査にもかかわらず、著者の人口統計的バイアスは依然として周縁化されているグループを不利にしている。私たちはFair-PaperRec、MultiLayer Perceptron（MLP）ベースのモデルを提示します。ポストレビューの論文受理決定における人口統計的格差に対処しつつ、高品質要件を維持します。私たちの方法論は、インターセクショナルな基準（例：人種、国）とカスタマイズされた公平性損失によって品質を保ちながら人口統計的格差を抑制する、ヒューリスティックなアプローチとは対照的です。SIGCHI（ACM Special Interest Group on Computer-Human Interaction）、DIS（Designing Interactive Systems）、IUI（Intelligent User Interfaces）の会議データを用いた評価は、周縁化されているグループの参加が42.03%増加し、全体的な有用性が3.16%向上することを示しており、多様性の促進は学術的厳密さを損なわないことを示し、公平性を重視したピアレビューソリューションを支援します。
