步入未知：在审稿人匹配偏好存在不确定性的情况下分配审稿人
计算机科学与博弈论
2023-09-06 v2
摘要
成功的同行评审过程要求为每篇论文分配合格且感兴趣的审稿人。大多数自动化审稿人分配方法会为每对论文-审稿人估计一个实值匹配偏好分数，作为匹配质量的代理，然后分配审稿人以最大化偏好分数之和。大多数偏好分数估计方法 inherently 存在噪声：审稿人只能对少量论文进行投标，且文本相似度模型与学科领域匹配本身就是含噪的估计器。当前的论文分配系统并未被设计用于严格处理同行评审匹配市场中的噪声。在本工作中，我们假设论文-审稿人偏好分数位于或邻近一个称为不确定性集的高概率区域。我们在该不确定性集上最大化审稿人分配的最坏情形分数之和。我们展示了如何跨各类不确定性集鲁棒地最大化分数之和，从而避免分配中潜在严重错误。我们的通用方法可用于将多种多样的论文-审稿人偏好模型整合进审稿人分配，为更具鲁棒性的同行评审过程打开大门。
引用
@article{arxiv.2301.10816,
title = {Into the Unknown: Assigning Reviewers to Papers with Uncertain Affinities},
author = {Cyrus Cousins and Justin Payan and Yair Zick},
journal= {arXiv preprint arXiv:2301.10816},
year = {2023}
}
备注
23 pages, 1 figure. In Proceedings of the 16th International Symposium on Algorithmic Game Theory (SAGT). For associated code and data, see https://github.com/justinpayan/RAU