論文の概要: Remote Work Optimization with Robust Multi-channel Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2209.03150v1
- Date: Fri, 26 Aug 2022 20:42:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-11 13:15:52.750766
- Title: Remote Work Optimization with Robust Multi-channel Graph Neural Networks
- Title（参考訳）: ロバストなマルチチャネルグラフニューラルネットワークによる遠隔作業最適化
- Authors: Qinyi Zhu, Liang Wu, Qi Guo, Liangjie Hong
- Abstract要約: 新型コロナウイルス(COVID-19)は、従業員が遠隔地で働く機会を増やすことを促す。
新型コロナウイルス(COVID-19)の影響で在宅勤務が急増しているにもかかわらず、直接適用可能なアプローチは存在しない。
本稿では、求職者のリモートネスと求職機会を限られた情報でモデル化する原則的アプローチを提案する。
- 参考スコア（独自算出の注目度）: 16.977637658771147
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The spread of COVID-19 leads to the global shutdown of many corporate
offices, and encourages companies to open more opportunities that allow
employees to work from a remote location. As the workplace type expands from
onsite offices to remote areas, an emerging challenge for an online hiring
marketplace is how these remote opportunities and user intentions to work
remotely can be modeled and matched without prior information. Despite the
unprecedented amount of remote jobs posted amid COVID-19, there is no existing
approach that can be directly applied.
Introducing a brand new workplace type naturally leads to the cold-start
problem, which is particularly more common for less active job seekers. It is
challenging, if not impossible, to onboard a new workplace type for any
predictive model if existing information sources can provide little information
related to a new category of jobs, including data from resumes and job
descriptions. Hence, in this work, we aim to propose a principled approach that
jointly models the remoteness of job seekers and job opportunities with limited
information, which also suffices the needs of web-scale applications. Existing
research on the emerging type of remote workplace mainly focuses on qualitative
studies, and classic predictive modeling approaches are inapplicable
considering the problem of cold-start and information scarcity. We precisely
try to close this gap with a novel graph neural architecture. Extensive
experiments on large-scale data from real-world applications have been
conducted to validate the superiority of the proposed approach over competitive
baselines. The improvement may translate to more rapid onboarding of the new
workplace type that can benefit job seekers who are interested in working
remotely.
- Abstract（参考訳）: 新型コロナウイルス(covid-19)の感染拡大により、多くの企業オフィスがグローバルに閉鎖され、企業は従業員が遠隔地から働ける機会を増やすことを奨励している。
職場のタイプが現場のオフィスから遠隔地へと拡大するにつれ、オンライン雇用市場における新たな課題は、リモートワークの機会とユーザの意図を、事前情報なしでモデル化し、一致させることができることだ。
新型コロナウイルス(COVID-19)の影響で在宅勤務が急増しているにもかかわらず、直接適用可能なアプローチは存在しない。
全く新しい職場タイプを導入すると、当然コールドスタート問題が発生する。
既存の情報ソースが履歴書や求人情報など、新しい職種に関する情報をほとんど提供できなければ、あらゆる予測モデルに新しい職場タイプを組み込むことは不可能でも困難である。
そこで本研究では,web スケールアプリケーションのニーズを十分満たすような限られた情報を用いて,求職者のリモートネスと就職機会を共同でモデル化する原則的アプローチを提案する。
新たなタイプのリモートワークスの研究は主に質的研究に焦点をあてており、コールドスタート問題や情報不足を考えると、古典的な予測モデルアプローチは適用不可能である。
我々はこのギャップを、新しいグラフニューラルアーキテクチャで正確に埋めようとしている。
競争ベースラインに対する提案手法の優位性を検証するために,実世界のアプリケーションからの大規模データに対する広範囲な実験が実施された。
改善は、リモートワークに興味のある求職者に利益をもたらす新しい職場タイプをより迅速に導入することにつながるかもしれない。
関連論文リスト
- Generative Active Learning for Image Synthesis Personalization [57.01364199734464]
本稿では,伝統的に識別モデルを用いて研究されてきた能動的学習の生成モデルへの応用について検討する。
生成モデル上でアクティブな学習を行う上での最大の課題は、クエリのオープンな性質にある。
問合せ処理を半開問題に変換するために,アンカー方向の概念を導入する。
論文 参考訳（メタデータ） (2024-03-22T06:45:45Z) - WorkArena: How Capable Are Web Agents at Solving Common Knowledge Work Tasks? [83.19032025950986]
本稿では,Webブラウザを介してソフトウェアと対話する大規模言語モデルベースエージェントについて検討する。
WorkArenaは、広く使用されているServiceNowプラットフォームに基づく33のタスクのベンチマークである。
BrowserGymは、そのようなエージェントの設計と評価のための環境である。
論文 参考訳（メタデータ） (2024-03-12T14:58:45Z) - Accelerating Exploration with Unlabeled Prior Data [66.43995032226466]
我々は,報酬ラベルのない先行データを用いて,新たなスパース報酬タスクを解くエージェントの探索を指導し,加速する方法について検討する。
我々は、オンライン体験から報酬モデルを学び、ラベルのない事前データを楽観的な報酬でラベル付けし、ダウンストリームポリシーと批判最適化のためにオンラインデータと並行して使用する簡単なアプローチを提案する。
論文 参考訳（メタデータ） (2023-11-09T00:05:17Z) - Generative Job Recommendations with Large Language Model [32.99532175346021]
GIRL(GeneratIve job Recommendation based on Large Language model)は、LLM(Large Language Models)分野の最近の進歩に触発された新しいアプローチである。
我々は、求職者のCV(Curriculum Vitae)に基づいて、適切なジョブ記述(JD)を作成する際に、LLMベースのジェネレータを指導するために、スーパーバイザードファインタニング(SFT)戦略を採用する。
特に、GIRLは求職者中心の生成モデルとして機能し、候補セットを必要とせずに求職提案を提供する。
論文 参考訳（メタデータ） (2023-07-05T09:58:08Z) - Improving Next-Application Prediction with Deep Personalized-Attention
Neural Network [27.71640897308797]
我々は、求職者のキャリア選好を改善するために、次のイデムレコメンデーションアプローチを活用することを提案する。
提案手法はPersonalized-Attention Next-Application Prediction (PANAP) と呼ばれる3つのモジュールから構成される。
CareerBuilder12データセットの公開実験は、私たちのアプローチに対する関心を示しています。
論文 参考訳（メタデータ） (2021-11-09T10:52:57Z) - A Curriculum-style Self-training Approach for Source-Free Semantic Segmentation [91.13472029666312]
ソースフリーなドメイン適応型セマンティックセマンティックセグメンテーションのためのカリキュラムスタイルの自己学習手法を提案する。
提案手法は, ソースフリーなセマンティックセグメンテーションタスクにおいて, 合成-実-実-実-実-実-実-非実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実
論文 参考訳（メタデータ） (2021-06-22T10:21:39Z) - Online reinforcement learning with sparse rewards through an active
inference capsule [62.997667081978825]
本稿では,将来期待される新しい自由エネルギーを最小化するアクティブ推論エージェントを提案する。
我々のモデルは、非常に高いサンプル効率でスパース・リワード問題を解くことができる。
また、複雑な目的の表現を単純化する報奨関数から事前モデルを近似する新しい手法を提案する。
論文 参考訳（メタデータ） (2021-06-04T10:03:36Z) - COG: Connecting New Skills to Past Experience with Offline Reinforcement
Learning [78.13740204156858]
我々は、動的プログラミングによって新しいスキルを拡張するために、事前データを再利用できることを示します。
我々は、新しいタスクを解決するために、以前のデータセットに見られるいくつかの動作をチェーンすることで、アプローチの有効性を実証する。
我々は、高次元画像観察を低レベルのロボット制御コマンドにマッピングし、エンドツーエンドでポリシーを訓練する。
論文 参考訳（メタデータ） (2020-10-27T17:57:29Z) - Which Model to Transfer? Finding the Needle in the Growing Haystack [27.660318887140203]
我々は後悔というよく知られた概念を通じてこの問題の形式化を提供する。
タスク非依存とタスク認識の両方の手法が,後悔を招きかねないことを示す。
そこで我々は,既存の手法よりも優れた,シンプルで効率的なハイブリッド検索戦略を提案する。
論文 参考訳（メタデータ） (2020-10-13T14:00:22Z) - Leveraging the Inherent Hierarchy of Vacancy Titles for Automated Job
Ontology Expansion [0.0]
我々は、新しい職種の検出に対する、純粋にデータ駆動のアプローチを導入する。
我々の手法は概念的にシンプルで、非常に効率的で、従来のNERベースのアプローチと競合する。
論文 参考訳（メタデータ） (2020-04-06T16:55:41Z)
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。