Fugu-MT 論文翻訳(概要): A Cross-View Hierarchical Graph Learning Hypernetwork for Skill Demand-Supply Joint Prediction

論文の概要: A Cross-View Hierarchical Graph Learning Hypernetwork for Skill Demand-Supply Joint Prediction

arxiv url: http://arxiv.org/abs/2401.17838v1
Date: Wed, 31 Jan 2024 13:56:08 GMT
ステータス: 処理完了
システム内更新日: 2024-02-01 14:27:27.874659
Title: A Cross-View Hierarchical Graph Learning Hypernetwork for Skill Demand-Supply Joint Prediction
Title（参考訳）: スキル・デマンド・サプライ・ジョイント予測のためのクロスビュー階層グラフ学習ハイパーネットワーク
Authors: Wenshuo Chao, Zhaopeng Qiu, Likang Wu, Zhuoning Guo, Zhi Zheng, Hengshu Zhu, Hao Liu
Abstract要約: 協調技術需要供給予測のための階層型階層型グラフ学習ハイパーネットワーク(CHGH)フレームワークを提案する。特に、CHGHは、i)スキル要求とサプライの相互接続を捉えるクロスビューグラフエンコーダ、i)クラスタワイドの観点からスキルの共進化をモデル化する階層グラフエンコーダ、iii)要求とサプライの変動を共同で予測する条件付きハイパーデコーダからなるエンコーダネットワークである。
参考スコア（独自算出の注目度）: 24.737433570616297
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The rapidly changing landscape of technology and industries leads to dynamic skill requirements, making it crucial for employees and employers to anticipate such shifts to maintain a competitive edge in the labor market. Existing efforts in this area either rely on domain-expert knowledge or regarding skill evolution as a simplified time series forecasting problem. However, both approaches overlook the sophisticated relationships among different skills and the inner-connection between skill demand and supply variations. In this paper, we propose a Cross-view Hierarchical Graph learning Hypernetwork (CHGH) framework for joint skill demand-supply prediction. Specifically, CHGH is an encoder-decoder network consisting of i) a cross-view graph encoder to capture the interconnection between skill demand and supply, ii) a hierarchical graph encoder to model the co-evolution of skills from a cluster-wise perspective, and iii) a conditional hyper-decoder to jointly predict demand and supply variations by incorporating historical demand-supply gaps. Extensive experiments on three real-world datasets demonstrate the superiority of the proposed framework compared to seven baselines and the effectiveness of the three modules.
Abstract（参考訳）: テクノロジーと産業の急速に変化する状況は、ダイナミックなスキル要件につながり、従業員や雇用主が労働市場の競争優位性を維持するためにそのような変化を期待することが重要である。この分野における既存の取り組みは、ドメインエキスパートの知識に依存するか、あるいは、単純な時系列予測問題としてスキルの進化に頼っている。しかし、どちらのアプローチも、異なるスキル間の洗練された関係や、スキル要求と供給変動の相互関係を見落としている。本稿では,共同スキル需要予測のためのクロスビュー階層型グラフ学習ハイパーネットワーク(chgh)フレームワークを提案する。具体的にはCHGHはエンコーダ-デコーダネットワークである一技術需要と供給の相互接続をとらえるクロスビューグラフエンコーダ二クラスター的な観点からスキルの共進化をモデル化する階層グラフエンコーダ三歴史的需給ギャップを組み込むことにより、需要及び供給の変動を共同で予測する条件付きハイパーデコーダ 3つの実世界のデータセットに対する大規模な実験は、7つのベースラインと3つのモジュールの有効性と比較して提案されたフレームワークの優位性を示している。

関連論文リスト

Convergence-aware Clustered Federated Graph Learning Framework for Collaborative Inter-company Labor Market Forecasting [38.13767335441753]
人材需要と供給を予測する労働市場は、経営管理と経済発展に不可欠である。従来の研究では、変動を予測するために、異なる企業間の需要供給シーケンス間の相互接続を無視していた。本稿では,メタパーソナライズされた収束型クラスタ型フェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-29T04:11:23Z)
Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
論文参考訳（メタデータ） (2024-08-26T06:36:42Z)
A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文参考訳（メタデータ） (2024-06-19T22:30:08Z)
Domain Generalization Deep Graph Transformation [5.456279425545284]
あるモードから別のモードへのグラフ遷移を予測するグラフ変換は、重要かつ一般的な問題である。本稿では、エンコーダとデコーダを用いて、入力モードと出力モードの両方のトポロジを符号化するマルチインプット、マルチアウトプット、ハイパーネットワークベースのグラフニューラルネットワーク(MultiHyperGNN)を提案する。総合的な実験により、MultiHyperGNNは予測タスクとドメインタスクの両方で競合するモデルよりも優れた性能を示している。
論文参考訳（メタデータ） (2023-05-19T02:33:22Z)
Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
論文参考訳（メタデータ） (2023-02-24T08:41:19Z)
GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
論文参考訳（メタデータ） (2022-12-07T10:19:39Z)
Hierarchical Skills for Efficient Exploration [70.62309286348057]
強化学習において、事前訓練された低レベルスキルは、探索を大幅に促進する可能性がある。下流タスクの以前の知識は、スキルデザインにおける一般性(きめ細かい制御)と特異性(より高速な学習)の適切なバランスをとるために必要である。教師なしの方法で様々な複雑さのスキルを習得する階層的スキル学習フレームワークを提案する。
論文参考訳（メタデータ） (2021-10-20T22:29:32Z)
Soft Hierarchical Graph Recurrent Networks for Many-Agent Partially Observable Environments [9.067091068256747]
本稿では,階層型グラフ再帰ネットワーク(HGRN)と呼ばれる新しいネットワーク構造を提案する。以上の技術に基づいて,Soft-HGRNと呼ばれる値に基づくMADRLアルゴリズムと,SAC-HRGNというアクタクリティカルな変種を提案する。
論文参考訳（メタデータ） (2021-09-05T09:51:25Z)
DCAP: Deep Cross Attentional Product Network for User Response Prediction [20.17934000984361]
我々はDCAP(Deep Cross Attentional Product Network)という新しいアーキテクチャを提案する。 DCAPは、高階機能相互作用をベクトルレベルで明示的にモデリングするクロスネットワークの利点を維持します。提案モデルは容易に実装でき,並行して訓練できる。
論文参考訳（メタデータ） (2021-05-18T16:27:20Z)
Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。我々は,新しいメタ学習フレームワークによってこの問題に対処する。我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文参考訳（メタデータ） (2020-06-11T17:42:46Z)
Cascaded Human-Object Interaction Recognition [175.60439054047043]
マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
論文参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。