論文の概要: Being Automated or Not? Risk Identification of Occupations with Graph
Neural Networks
- arxiv url: http://arxiv.org/abs/2209.02182v1
- Date: Tue, 6 Sep 2022 02:19:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 13:43:38.043567
- Title: Being Automated or Not? Risk Identification of Occupations with Graph
Neural Networks
- Title（参考訳）: 自動化されるかどうか?
グラフニューラルネットワークによる職業のリスク同定
- Authors: Dawei Xu, Haoran Yang, Marian-Andrei Rizoiu, and Guandong Xu
- Abstract要約: 人工知能(AI)やロボット工学などの自動化技術の急速な進歩は、職業における自動化のリスクを増大させる。
最近の社会経済研究は、職業の50%近くが今後10年以内に自動化されるリスクが高いことを示唆している。
職業の自動化リスクを特定するために, グラフに基づく半自動分類手法 textbf Automated textbfOccupation textbf Classification を提案する。
- 参考スコア（独自算出の注目度）: 13.092145058320316
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The rapid advances in automation technologies, such as artificial
intelligence (AI) and robotics, pose an increasing risk of automation for
occupations, with a likely significant impact on the labour market. Recent
social-economic studies suggest that nearly 50\% of occupations are at high
risk of being automated in the next decade. However, the lack of granular data
and empirically informed models have limited the accuracy of these studies and
made it challenging to predict which jobs will be automated. In this paper, we
study the automation risk of occupations by performing a classification task
between automated and non-automated occupations. The available information is
910 occupations' task statements, skills and interactions categorised by
Standard Occupational Classification (SOC). To fully utilize this information,
we propose a graph-based semi-supervised classification method named
\textbf{A}utomated \textbf{O}ccupation \textbf{C}lassification based on
\textbf{G}raph \textbf{C}onvolutional \textbf{N}etworks (\textbf{AOC-GCN}) to
identify the automated risk for occupations. This model integrates a
heterogeneous graph to capture occupations' local and global contexts. The
results show that our proposed method outperforms the baseline models by
considering the information of both internal features of occupations and their
external interactions. This study could help policymakers identify potential
automated occupations and support individuals' decision-making before entering
the job market.
- Abstract（参考訳）: 人工知能(AI)やロボット工学などの自動化技術の急速な進歩は、職業における自動化のリスクを増大させ、労働市場に大きな影響を与える可能性がある。
近年の社会経済研究では、職業の50%近くが今後10年間で自動化されるリスクが高いことが示唆されている。
しかし、粒度データや経験的インフォームドモデルがないため、これらの研究の正確性は制限され、どのジョブが自動化されるかを予測するのが難しくなっている。
本稿では,自動化作業と非自動化作業の分類作業を行い,作業の自動化リスクについて検討する。
利用可能な情報は、SOC(Standard Occupational Classification)によって分類された910人の職業者のタスクステートメント、スキル、インタラクションである。
この情報を十分に活用するために, 作業の自動化リスクを特定するために, グラフベースの半教師付き分類法である \textbf{a}utomated \textbf{o}ccupation \textbf{c}lassification (\textbf{g}raph \textbf{c}onvolutional \textbf{n}etworks (\textbf{aoc-gcn}) を提案する。
このモデルは、作業のローカルおよびグローバルコンテキストをキャプチャするヘテロジニアスグラフを統合する。
提案手法は,職業の内的特徴と外的相互作用の両方の情報を考慮し,ベースラインモデルよりも優れていることを示す。
この研究は、政策立案者が自動化された職業を特定し、雇用市場に入る前に個人の意思決定を支援するのに役立つだろう。
関連論文リスト
- Automated Red Teaming with GOAT: the Generative Offensive Agent Tester [8.947465706080523]
Red Teamingは、安全トレーニング中に設定された規範やポリシー、ルールに違反したコンテンツを、大規模な言語モデルがいかに生成できるかを評価する。
文献における既存の自動化手法のほとんどは、人間がAIモデルと対話する傾向を示すものではない。
本稿では,非言語的会話をシミュレートする自動エージェントレッド・チーム・システムであるジェネレーティブ・オッサンティブ・エージェント・テスタ(GOAT)を紹介する。
論文 参考訳（メタデータ） (2024-10-02T14:47:05Z) - A Comprehensive Survey of Advanced Persistent Threat Attribution: Taxonomy, Methods, Challenges and Open Research Problems [3.410195565199523]
Advanced Persistent Threat Attributionは、サイバーセキュリティにおける重要な課題である。
人工知能(AI)と機械学習(ML)技術の普及に伴い、研究者たちは、サイバー脅威を責任あるアクターにリンクする自動化ソリューションの開発に注力している。
自動帰属に関する以前の文献では、自動帰属プロセスに役立つ自動化された方法と関連するアーティファクトの体系的なレビューが欠けている。
論文 参考訳（メタデータ） (2024-09-07T12:42:43Z) - Towards the Terminator Economy: Assessing Job Exposure to AI through LLMs [10.844598404826355]
米国の雇用の3分の1はAIに強く依存している。
この露出は、2019年から2023年までの雇用と賃金の伸びと正の相関関係にある。
論文 参考訳（メタデータ） (2024-07-27T08:14:18Z) - Towards Scalable Automated Alignment of LLMs: A Survey [54.820256625544225]
本稿では,最近登場した自動アライメントの手法を体系的にレビューする。
既存の自動アライメント手法をアライメント信号のソースに基づいて4つの主要なカテゴリに分類する。
本稿では,アライメントの基本的役割から,自動アライメント技術の実現を可能にする重要な要因について論じる。
論文 参考訳（メタデータ） (2024-06-03T12:10:26Z) - AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。
さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文 参考訳（メタデータ） (2024-03-26T04:27:56Z) - Brief for the Canada House of Commons Study on the Implications of
Artificial Intelligence Technologies for the Canadian Labor Force: Generative
Artificial Intelligence Shatters Models of AI and Labor [1.0878040851638]
過去の技術と同様に、生成的AIは大量失業に繋がらないかもしれない。
生成AIは創造的で認知的で、潜在的にユビキタスである。
AIのフルセットの能力とアプリケーションが出現するにつれて、政策立案者は労働者のキャリア適応性を促進するべきである。
論文 参考訳（メタデータ） (2023-11-06T22:58:24Z) - AI exposure predicts unemployment risk [1.5101132008238312]
AI暴露のどのモデルが仕事の分離や失業リスクを予測するかを評価する。
個々のAI露出モデルは失業率、失業リスク、仕事分離率の予測にはならない。
我々の結果はまた、AI暴露を評価するための動的、文脈認識、検証された方法も求めている。
論文 参考訳（メタデータ） (2023-08-04T15:21:07Z) - Unsupervised Self-Driving Attention Prediction via Uncertainty Mining
and Knowledge Embedding [51.8579160500354]
本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。
結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-03-17T00:28:33Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z) - Induction and Exploitation of Subgoal Automata for Reinforcement
Learning [75.55324974788475]
本稿では,Regressed Learning (RL)タスクにおけるサブゴールの学習と活用のためのISAを提案する。
ISAは、タスクのサブゴールによってエッジがラベル付けされたオートマトンであるサブゴールオートマトンを誘導することで強化学習をインターリーブする。
サブゴールオートマトンはまた、タスクの完了を示す状態と、タスクが成功せずに完了したことを示す状態の2つの特別な状態で構成されている。
論文 参考訳（メタデータ） (2020-09-08T16:42:55Z) - Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。
我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
論文 参考訳（メタデータ） (2020-04-15T15:58:05Z)
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。