論文の概要: ECHO: Revealing Review-to-Submission Linkage in Anonymous Peer Review
- arxiv url: http://arxiv.org/abs/2610.27044v1
- Date: Mon, 19 Oct 2026 17:48:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.43914
- Title: ECHO: Revealing Review-to-Submission Linkage in Anonymous Peer Review
- Title（参考訳）: ECHO:匿名ピアレビューのレビュー・ツー・サブミッションリンクを公開
- Abstract要約: 我々は、匿名レビューをレビュアー自身の提出に関連付けることができるレビュー・ツー・サブミッション・リンクを識別する。
ECHOは、レビューの34.6%がTop-1、54.0%がTop-5、63.4%がTop-10である。
これらの結果は、定期的にリリースされているピアレビューアーティファクトのみを使用して、レビュー・ツー・サブミッションリンクが実現可能であることを示す。
- 参考スコア（独自算出の注目度）: 15.916920150918871
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anonymous peer review protects reviewers from retaliation, yet reviewer anonymity may also be weakened by artifacts released through the review process itself. This risk is growing as many venues require submitting authors to review, creating substantial overlap between authors and reviewers within the same review cycle. We identify review-to-submission linkage, where an anonymous review can be associated with the reviewer's own submission, substantially shrinking the reviewer anonymity set. To assess whether this linkage is practically exploitable, we develop ECHO, which combines technical-expertise and writing-style signals across reviews, papers, and rebuttals, and evaluate it on R2S-Bench, a ground-truth benchmark we construct. ECHO correctly identifies the reviewer's own submission in Top-1 for 34.6% of reviews, in the Top-5 for 54.0%, and in the Top-10 for 63.4%, compared with 0.5%, 2.6%, and 5.3% under random ranking, from the candidate submissions. With a stronger Stage-2 reranker, ECHO further reaches 56.4% Top-1 and 66.4% Top-10. These results demonstrate that review-to-submission linkage is feasible using only routinely released peer-review artifacts. Code and benchmark are available at https://github.com/kaimu11111/ECHO-Revealing-Review-to-Submission-Linkage-in-Anonymous-Peer-Review.
- Abstract（参考訳）: 匿名のピアレビューはレビュアーを報復から保護するが、レビュアーの匿名性はレビュープロセス自体を通じてリリースされたアーティファクトによって弱まる可能性がある。
このリスクは、多くの会場が著者にレビューを提出することを必要とし、同じレビューサイクル内で著者とレビュアーの間にかなりの重複が生じているため増大している。
我々は、匿名レビューをレビュア自身の提出に関連付けることができるレビュー・ツー・サブミッション・リンクを同定し、レビュアの匿名性セットを大幅に縮小する。
このリンクが実際に有効であるかどうかを評価するため,レビューや論文,リビューといった技術的専門知識と書き起こしスタイルの信号を組み合わせたECHOを開発し,構築した基盤トラストベンチマークであるR2S-Bench上で評価する。
ECHOは、レビューの34.6%がトップ1、54.0%がトップ5、63.4%がトップ10、0.5%、2.6%、そして5.3%がランダムにランク付けされている。
ステージ2のリランカーが強化され、ECHOはさらに56.4%のTop-1と66.4%のTop-10に到達した。
これらの結果は、定期的にリリースされているピアレビューアーティファクトのみを使用して、レビュー・ツー・サブミッションリンクが実現可能であることを示す。
コードとベンチマークはhttps://github.com/kaimu11111/ECHO-Revealing-to-Submission-Linkage-in-Anonymous-Peer-Reviewで公開されている。
関連論文リスト
- ActReview: Rebuttal-Guided Training Data and Rubric Rewards for Actionable Peer Review Generation [54.82704239643649]
本稿では, 紙固有の診断と具体的, 基礎的なリビジョン計画とを結びつける, 反感に満ちたポストトレーニングフレームワークである ActReview を紹介する。
我々の中心的な洞察は、著者の反論は、レビュアーの懸念に対処するための妥当な行動を明らかにし、それゆえ、リビジョン指向のフィードバックに対する潜在的な監督を提供することができるということである。
またActReview-Benchは、診断品質とリビジョンの有用性を評価するために、1,000インスタンスの人為的なベンチマークである。
論文 参考訳（メタデータ） (2026-09-08T17:30:16Z) - Who Pays for Open Review? Visible Author Reputation and Its Effect on Ratings [8.253952519498991]
両方のメカニズムの下で著者の評判が上昇し、オープンレビューの下では、統計的に重要な急激な上昇が見られました。
5つのAIモデルをレビュアーとして制御したシミュレーションで、原稿を固定し、著者の評判を変えることで、その効果を再現する。
論文 参考訳（メタデータ） (2026-09-07T05:16:43Z) - From Passive Generation to Investigation: A Proactive Scientific Peer Review Agent [52.42081442204093]
我々は、紙の不審な部分を積極的に調査する柔軟性の欠如が、重要な制限であると主張している。
本稿では,保守的かつ構造化されたレビューログによってガイドされた論文を積極的にレビューする,科学的ピアレビューエージェントであるProReviewerを提案する。
実験の結果,8Bバックボーンを持つProReviewerは教師付き微調整によって訓練され,強化学習によって最適化され,5つの品質次元で最高の平均スコアが得られることがわかった。
論文 参考訳（メタデータ） (2026-06-11T13:38:23Z) - CoCoReviewBench: A Completeness- and Correctness-Oriented Benchmark for AI Reviewers [39.97153044457166]
カテゴリ固有のベンチマークサブセットを構築し、人間のレビューが欠落している場合に評価をスキップし、完全性を強化します。
また、専門家のアノテーションとしてレビュアー-著者-レビューの議論を活用し、正確性を強化するために信頼できないレビューをフィルタリングします。
CoCoReviewBenchは、ICLRとNeurIPSから3,900の論文をキュレーションして、AIレビュアーの信頼性ときめ細かい評価を可能にする。
論文 参考訳（メタデータ） (2026-05-08T15:44:26Z) - FactReview: Evidence-Grounded Reviews with Literature Positioning and Execution-Based Claim Verification [57.196748998757954]
本稿では,クレーム抽出,文献位置決定,実行に基づくクレーム検証を組み合わせたエビデンスベースレビューシステムであるFactReviewを紹介する。
FactReviewは論文を提出すると、主要なクレームを特定し、その結果を報告し、論文の技術的な位置を明らかにするために近くの作業を取り出し、コードが利用可能であれば、リリースされたリポジトリを実行する。
その後、簡潔なレビューと、主要な請求を5つのラベルのうち1つに割り当てるエビデンスレポートを生成する。
論文 参考訳（メタデータ） (2026-04-05T11:45:22Z) - ReviewScore: Misinformed Peer Review Detection with Large Language Models [38.92827930465428]
15.2%の弱点と26.4%の質問が誤記されていることを示し、レビューポイントが誤記されているかどうかを示すReviewScoreを紹介した。
人間の専門家によるReviewScoreデータセットを構築し、LLMがReviewScore評価を自動化する能力をチェックする。
また、前提レベルの事実性を評価することは、弱点レベルの事実性を評価するよりも、はるかに高い合意を示すことを示す。
論文 参考訳（メタデータ） (2025-09-25T22:55:05Z) - The Good, the Bad and the Constructive: Automatically Measuring Peer Review's Utility for Authors [45.98233565214142]
我々は、著者のユーティリティを駆動するレビューコメントの4つの重要な側面を識別する:アクションビリティ、グラウンディングと特異性、検証可能性、ヘルプフルネス。
人間のラベル付きレビューコメント1,430件を収集し、トレーニング目的のために10万件のラベル付きコメントを合成してデータをスケールします。
これらの側面に対するレビューコメントの評価と合理性を生成するための微調整モデルをベンチマークする。
論文 参考訳（メタデータ） (2025-08-31T14:19:07Z)
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。