論文の概要: "How to make them stay?" -- Diverse Counterfactual Explanations of Employee Attrition

• arxiv url: http://arxiv.org/abs/2303.04579v1
• Date: Wed, 8 Mar 2023 13:54:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-09 13:54:38.905320
• Title: "How to make them stay?" -- Diverse Counterfactual Explanations of Employee Attrition
• Title（参考訳）: 「どうやって滞在させるか?」-従業員の異例の異例説明
• Authors: Andr\'e Artelt, Andreas Gregoriades
• Abstract要約: 従業員の誘惑は、組織の競争力とパフォーマンスに直接影響を与える、重要で複雑な問題である。 機械学習(ML)は、人的資源管理の様々な側面に適用されている。 本稿では, 過去のデータから, 複数事例に焦点をあてた反実的説明の利用を提案する。
• 参考スコア（独自算出の注目度）: 3.0839245814393728
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Employee attrition is an important and complex problem that can directly affect an organisation's competitiveness and performance. Explaining the reasons why employees leave an organisation is a key human resource management challenge due to the high costs and time required to attract and keep talented employees. Businesses therefore aim to increase employee retention rates to minimise their costs and maximise their performance. Machine learning (ML) has been applied in various aspects of human resource management including attrition prediction to provide businesses with insights on proactive measures on how to prevent talented employees from quitting. Among these ML methods, the best performance has been reported by ensemble or deep neural networks, which by nature constitute black box techniques and thus cannot be easily interpreted. To enable the understanding of these models' reasoning several explainability frameworks have been proposed. Counterfactual explanation methods have attracted considerable attention in recent years since they can be used to explain and recommend actions to be performed to obtain the desired outcome. However current counterfactual explanations methods focus on optimising the changes to be made on individual cases to achieve the desired outcome. In the attrition problem it is important to be able to foresee what would be the effect of an organisation's action to a group of employees where the goal is to prevent them from leaving the company. Therefore, in this paper we propose the use of counterfactual explanations focusing on multiple attrition cases from historical data, to identify the optimum interventions that an organisation needs to make to its practices/policies to prevent or minimise attrition probability for these cases.
• Abstract（参考訳）: 従業員の誘惑は、組織の競争力とパフォーマンスに直接影響を与える、重要で複雑な問題である。 従業員が組織を離れる理由を説明することは、人材を惹きつけるのに必要なコストと時間のために、人的資源管理の重要な課題である。 そのため企業は、従業員の維持率を高め、コストを最小化し、パフォーマンスを最大化する。 機械学習(ML)は人的資源管理の様々な側面に適用され、企業に対して有能な従業員が辞めるのを防ぐための積極的対策に関する洞察を提供する。 これらのml手法のうち、最も優れた性能はアンサンブルやディープニューラルネットワークによって報告されており、それは本質的にブラックボックスの技術であり、容易には解釈できない。 これらのモデルの推論を理解するために、いくつかの説明可能性フレームワークが提案されている。 近年では、望まれる結果を得るために実施すべき行動の説明や推奨に利用できるため、カウンターファクトな説明法が注目されている。 しかし、現在のカウンターファクトな説明手法は、望ましい結果を達成するために個々のケースで行う変更を最適化することに焦点を当てている。 誘惑的な問題では、組織が会社を去るのを防ぐことが目的である従業員のグループに対して、組織の動きの影響を予測できることが重要です。 そこで本稿では,複数事例に焦点をあてた反事実的説明を歴史的データから活用し,組織がその実践や政策に最適な介入を行ない,これらの事例の帰属確率を最小化する手法を提案する。

関連論文リスト

• Learning to Assist Humans without Inferring Rewards [65.28156318196397]
  我々は、エンパワーメントのレンズを通して支援を研究する先行研究に基づいて構築する。 補助剤は、人間の行動の影響を最大化することを目的としている。 これらの表現は、先行研究と類似したエンパワーメントの概念を推定する。
  論文  参考訳（メタデータ） (2024-11-04T21:31:04Z)
• Learning Actionable Counterfactual Explanations in Large State Spaces [16.30292272064278]
  最適CFEが重み付き被覆問題の解に対応するような設定を考える。 本研究では,実験により高い性能が得られることを示す深層ネットワーク学習手法を提案する。 我々の問題は、大規模だが決定論的マルコフ決定過程の族において最適な政策を学ぶことの1つと見なすこともできる。
  論文  参考訳（メタデータ） (2024-04-25T20:49:03Z)
• Optimising Human-AI Collaboration by Learning Convincing Explanations [62.81395661556852]
  本研究では,人間による意思決定によって安全を保ちながら協調的なシステムを構築する手法を提案する。 Ardentは、説明のための個人の好みに適応することで、効率的で効果的な意思決定を可能にする。
  論文  参考訳（メタデータ） (2023-11-13T16:00:16Z)
• Incentive Mechanism for Uncertain Tasks under Differential Privacy [17.058734221792964]
  モバイル・クラウド・センシング (MCS) は, 費用対効果により, センサ・パラダイムとして人気が高まっている。 本稿では,不確実性と隠れ入札を用いて問題に対処するインセンティブメカニズムであるHERALD*を提案する。
  論文  参考訳（メタデータ） (2023-05-26T10:15:02Z)
• Retention Is All You Need [9.570332155350055]
  本稿では,人的資源(HR)意思決定支援システムであるHR-DSS手法を提案する。 このシステムは、機械学習モデルによって提供される予測を解釈するHR部門を支援するように設計されている。
  論文  参考訳（メタデータ） (2023-04-06T14:29:20Z)
• Assisting Human Decisions in Document Matching [52.79491990823573]
  我々は,意思決定者のパフォーマンスを向上する支援情報の種類を評価するためのプロキシマッチングタスクを考案した。 ブラックボックスモデルによる説明を提供することで,マッチング作業におけるユーザの精度が低下することが判明した。 一方,タスク固有のデシラタに密接に対応するように設計されたカスタムメソッドは,ユーザのパフォーマンス向上に有効であることが判明した。
  論文  参考訳（メタデータ） (2023-02-16T17:45:20Z)
• Inverse Online Learning: Understanding Non-Stationary and Reactionary Policies [79.60322329952453]
  エージェントが意思決定を行う方法の解釈可能な表現を開発する方法を示す。 一連の軌跡に基づく意思決定プロセスを理解することにより,このオンライン学習問題に対して,政策推論問題を逆問題とみなした。 本稿では、エージェントがそれらを更新するプロセスと並行して、その影響を遡及的に推定する実用的なアルゴリズムを提案する。 UNOSの臓器提供受諾決定の分析に応用することで、我々のアプローチは意思決定プロセスを管理する要因や時間とともにどのように変化するかに、貴重な洞察をもたらすことができることを実証する。
  論文  参考訳（メタデータ） (2022-03-14T17:40:42Z)
• Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
  反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。 現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。 本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T20:48:48Z)
• Counterfactual Explanations Can Be Manipulated [40.78019510022835]
  反事実的説明の脆弱性を記述した最初のフレームワークを紹介し,その操作方法を示す。 反事実的説明は、それらが堅牢でないことを示す小さな摂動の下で、大きく異なる反事実に収束する可能性がある。 これらのモデルが、監査者に対して公正に見せながら、データ内の特定のサブグループに対して、不公平に低コストなリコースを提供する方法について説明する。
  論文  参考訳（メタデータ） (2021-06-04T18:56:15Z)
• An Extensive Analytical Approach on Human Resources using Random Forest Algorithm [0.0]
  調査では、ワークライフの不均衡、低賃金、不均一なシフトなど、従業員がワークライフを変えることを考えることが示されました。 本稿では,異なる従業員パラメータを考慮したランダムフォレストアルゴリズムを用いたモデルを提案する。 hr部門がギャップを特定し、良好な従業員保持率で組織をスムーズに運営することを支援することで、従業員の維持を支援する。
  論文  参考訳（メタデータ） (2021-05-07T07:35:23Z)
• Understanding the origin of information-seeking exploration in probabilistic objectives for control [62.997667081978825]
  探索と探索のトレードオフは適応行動の記述の中心である。 このトレードオフを解決する1つのアプローチは、エージェントが固有の「探索駆動」を持っていることを装備または提案することであった。 汎用的最大化と情報参照行動の組み合わせは, 目的の全く異なる分類の最小化から生じることを示す。
  論文  参考訳（メタデータ） (2021-03-11T18:42:39Z)

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。