WWW / The Web Conference

Digital Skin, Digital Bias: Uncovering Tone-Based Biases in LLMs and Emoji Embeddings

数字皮肤，数字偏见：揭示基于肤色的LLM和表情符号嵌入中的偏见

Mingchen Li, Wajdi Aljedaani, Yingjie Liu, Navyasri Meka, Xuan Lu, Xinyue Ye, Junhua Ding, Yunhe Feng

机构 * University of North Texas（北德克萨斯大学） ； International Center for Artificial Intelligence Research and Ethics（国际人工智能研究与伦理中心） ； Southern Methodist University（南卫理公会大学） ； The University of Arizona（亚利桑那大学） ； The University of Alabama（阿拉巴马大学） 纠错

AI总结 本文研究了LLM和表情符号嵌入模型中基于肤色的偏见，发现表情符号模型在肤色表示上存在严重缺陷，揭示了潜在的偏见问题，呼吁开发者和平台进行审计和缓解。

Comments Accepted at WWW'26

ARuleCon: Agentic Security Rule Conversion

ARuleCon：代理安全规则转换

Ming Xu, Hongtai Wang, Yanpei Guo, Zhengmin Yu, Weili Han, Hoon Wei Lim, Jin Song Dong, Jiaheng Zhang

AI总结 ARuleCon通过自动化规则转换框架，解决跨平台安全规则复用难题，提升SIEM规则转换的准确性和效率，平均优于基线LLM模型15%。

Comments This paper has been accepted for publication at WWW 2026