论文推荐中的公平学习：偏差缓解与质量优化
人工智能
2026-03-13 v1
摘要
尽管常规的双盲评审仍存在作者人口统计偏差，导致弱势群体受到不公平的待遇。我们提出Fair-PaperRec，一种基于多层感知器（MLP）的模型，通过采用交叉性准则（如种族、国家）及定制化公平损失来缓解后评审论文接受决策中的人口统计差异，同时保持高质量要求。与启发式方法不同，我们的方法在惩罚人口统计差异的同时，通过保持质量来实现平衡。基于ACM计算机人机交互专兴趣小组（SIGCHI）、交互系统设计（DIS）以及智能用户界面（IUI）等会议数据进行的评估表明，弱势群体参与度提升42.03%，总体效用提升3.16%，表明多样性提升并不损害学术严谨性，支持面向公平的同行评审解决方案。
引用
@article{arxiv.2603.11936,
title = {Fair Learning for Bias Mitigation and Quality Optimization in Paper Recommendation},
author = {Uttamasha Anjally Oyshi and Susan Gauch},
journal= {arXiv preprint arXiv:2603.11936},
year = {2026}
}
备注
arXiv admin note: substantial text overlap with arXiv:2602.22438