論文の概要: Exploiting Expert Knowledge for Assigning Firms to Industries: A Novel
Deep Learning Method
- arxiv url: http://arxiv.org/abs/2209.05943v1
- Date: Sun, 11 Sep 2022 20:44:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-14 12:23:33.545539
- Title: Exploiting Expert Knowledge for Assigning Firms to Industries: A Novel
Deep Learning Method
- Title(参考訳): 企業を産業に割り当てるためのエキスパート知識の爆発:新しい深層学習手法
- Authors: Xiaohang Zhao, Xiao Fang, Jing He, Lihua Huang
- Abstract要約: 3種類の専門知識は、定義に基づく知識、構造に基づく知識、割り当てに基づく知識という、効果的な産業割り当てに不可欠である。
本稿では,産業課題のための3種類の知識をシームレスに統合する,新しい深層学習手法を提案する。
我々の手法は、動的産業表現と階層的割り当ての2つの革新を特徴としている。
- 参考スコア(独自算出の注目度): 1.0172446741838912
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Industry assignment, which assigns firms to industries according to a
predefined Industry Classification System (ICS), is fundamental to a large
number of critical business practices, ranging from operations and strategic
decision making by firms to economic analyses by government agencies. Three
types of expert knowledge are essential to effective industry assignment:
definition-based knowledge (i.e., expert definitions of each industry),
structure-based knowledge (i.e., structural relationships among industries as
specified in an ICS), and assignment-based knowledge (i.e., prior firm-industry
assignments performed by domain experts). Existing industry assignment methods
utilize only assignment-based knowledge to learn a model that classifies
unassigned firms to industries, and overlook definition-based and
structure-based knowledge. Moreover, these methods only consider which industry
a firm has been assigned to, but ignore the time-specificity of
assignment-based knowledge, i.e., when the assignment occurs. To address the
limitations of existing methods, we propose a novel deep learning-based method
that not only seamlessly integrates the three types of knowledge for industry
assignment but also takes the time-specificity of assignment-based knowledge
into account. Methodologically, our method features two innovations: dynamic
industry representation and hierarchical assignment. The former represents an
industry as a sequence of time-specific vectors by integrating the three types
of knowledge through our proposed temporal and spatial aggregation mechanisms.
The latter takes industry and firm representations as inputs, computes the
probability of assigning a firm to different industries, and assigns the firm
to the industry with the highest probability.
- Abstract(参考訳): 企業を産業分類システム(ICS)に従って産業に割り当てる産業割り当ては、企業による経営や戦略的意思決定から政府機関による経済分析に至るまで、多くの重要なビジネスプラクティスに基礎を置いている。
効果的な産業割当には、定義に基づく知識(各産業の専門的定義)、構造に基づく知識(icで指定された産業間の構造的関係)、割当に基づく知識(すなわち、ドメインの専門家による事前の企業的割当)の3つのタイプの専門的知識が不可欠である。
既存の産業割当手法は、割り当てに基づく知識のみを利用して、未割り当て企業を産業に分類するモデルを学び、定義に基づく構造に基づく知識を見落としている。
さらに、これらの手法は、企業が割り当てられた業界のみを考慮し、割当に基づく知識の時間的特異性、すなわち割当が発生した場合を無視する。
既存の手法の限界に対処するために,産業課題に対する3種類の知識をシームレスに統合するだけでなく,課題に基づく知識の時間的特異性を考慮した新しい深層学習手法を提案する。
提案手法は,動的産業表現と階層配置の2つの革新を特徴とする。
前者は産業を時間固有のベクトルの系列として表現し,提案する時間的・空間的集約機構を通じて3種類の知識を統合する。
後者は、業界と企業の表現をインプットとし、異なる産業に会社を割り当てる確率を計算し、最も高い確率で業界に会社を割り当てる。
関連論文リスト
- Embedding Ontologies via Incorporating Extensional and Intensional Knowledge [22.088797669960616]
オントロジーはドメイン内の豊富な知識を含み、拡張的知識と強迫的知識という2つのカテゴリに分けられる。
既存のオントロジの埋め込みアプローチは、拡張的知識と集約的知識の両方を同時に考慮することができない。
本研究では,拡張空間と拡張空間という2つの空間におけるオントロジーを表現することで,EIKE(Extensional and Intensional Knowledge Embedding)を提案する。
論文 参考訳(メタデータ) (2024-01-20T08:44:34Z) - CANDLE: Iterative Conceptualization and Instantiation Distillation from Large Language Models for Commonsense Reasoning [45.62134354858683]
CANDLEは、コモンセンス知識ベースに対する概念化とインスタンス化を反復的に行うフレームワークである。
CANDLEをATOMICに適用することにより、600万の概念化と三重項のインスタンス化を含む総合的な知識基盤を構築する。
論文 参考訳(メタデータ) (2024-01-14T13:24:30Z) - Beyond Factuality: A Comprehensive Evaluation of Large Language Models
as Knowledge Generators [78.63553017938911]
大規模言語モデル(LLM)は、下流の知識集約タスクのための情報検索技術より優れている。
しかし、コミュニティの懸念は、この無検閲の知識を使用することの事実と潜在的意味について多岐にわたる。
本研究では,6つの重要な視点から生成した知識を評価するために設計されたCONNERを紹介する。
論文 参考訳(メタデータ) (2023-10-11T08:22:37Z) - Scalable Concept Extraction in Industry 4.0 [4.9122195223758895]
本稿では,概念抽出法(CE)の産業シナリオへの適用に取り組む。
畳み込みニューラルネットワーク(CNN)用に設計されたラッパー関数を利用して,概念の重要度を計算する新しい手法を提案する。
我々は,CEが産業的文脈におけるCNNの理解に応用できることを示し,ドメイン知識に関連する有用な洞察を提供する。
論文 参考訳(メタデータ) (2023-06-06T09:57:04Z) - UNTER: A Unified Knowledge Interface for Enhancing Pre-trained Language
Models [100.4659557650775]
構造化知識と非構造化知識の両方を活用する統一的な視点を提供するために、統一知識インターフェイスUNTERを提案する。
どちらの形態の知識も注入され、UNTERは一連の知識駆動NLPタスクの継続的な改善を得る。
論文 参考訳(メタデータ) (2023-05-02T17:33:28Z) - Time-Series Pattern Recognition in Smart Manufacturing Systems: A
Literature Review and Ontology [3.5097082077065003]
本稿では,製造における時系列パターン認識の現状について,構造化された視点を提供する。
それは、実用的で実用的なガイドラインと、時系列分析の進歩のための推奨を提供することを目的としている。
論文 参考訳(メタデータ) (2023-01-29T17:18:59Z) - Knowledge-augmented Deep Learning and Its Applications: A Survey [60.221292040710885]
知識強化ディープラーニング(KADL)は、ドメイン知識を特定し、それをデータ効率、一般化可能、解釈可能なディープラーニングのためのディープモデルに統合することを目的としている。
本調査は,既存の研究成果を補足し,知識強化深層学習の一般分野における鳥眼研究の展望を提供する。
論文 参考訳(メタデータ) (2022-11-30T03:44:15Z) - COPEN: Probing Conceptual Knowledge in Pre-trained Language Models [60.10147136876669]
概念的知識は人間の認知と知識基盤の基本である。
既存の知識探索作業は、事前訓練された言語モデル(PLM)の事実知識のみに焦点を当て、概念知識を無視する。
PLMが概念的類似性によってエンティティを編成し、概念的特性を学習し、コンテキスト内でエンティティを概念化するかどうかを調査する3つのタスクを設計する。
タスクのために、393のコンセプトをカバーする24kのデータインスタンスを収集、注釈付けします。
論文 参考訳(メタデータ) (2022-11-08T08:18:06Z) - Multi-Faceted Distillation of Base-Novel Commonality for Few-shot Object
Detection [58.48995335728938]
基本クラスと新規クラスの間に3種類のクラスに依存しない共通点を明示的に学習する。
提案手法は,既存の微調整方式のほとんどに容易に統合でき,一貫した性能向上が期待できる。
論文 参考訳(メタデータ) (2022-07-22T16:46:51Z) - Industrial Topics in Urban Labor System [10.46643972142224]
我々は、産業トピックスと呼ばれる、米国の労働経済のための職業ベースの分類システムを開発する。
アメリカの都市部における職業の分布を活かして,産業分野の特定を行う。
産業の話題として密接な関係のある職業を考えると,本研究は地域経済の地域構成を特徴付けている。
論文 参考訳(メタデータ) (2020-09-18T02:07:48Z) - Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。
具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
論文 参考訳(メタデータ) (2020-03-09T15:04:07Z)
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。