論文の概要: Convergence-aware Clustered Federated Graph Learning Framework for Collaborative Inter-company Labor Market Forecasting
- arxiv url: http://arxiv.org/abs/2409.19545v1
- Date: Sun, 29 Sep 2024 04:11:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-01 22:03:02.186737
- Title: Convergence-aware Clustered Federated Graph Learning Framework for Collaborative Inter-company Labor Market Forecasting
- Title(参考訳): 協調型企業間労働市場予測のための収束型クラスタ化グラフ学習フレームワーク
- Authors: Zhuoning Guo, Hao Liu, Le Zhang, Qi Zhang, Hengshu Zhu, Hui Xiong,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 38.13767335441753
- License:
- Abstract: Labor market forecasting on talent demand and supply is essential for business management and economic development. With accurate and timely forecasts, employers can adapt their recruitment strategies to align with the evolving labor market, and employees can have proactive career path planning according to future demand and supply. However, previous studies ignore the interconnection between demand-supply sequences among different companies and positions for predicting variations. Moreover, companies are reluctant to share their private human resource data for global labor market analysis due to concerns over jeopardizing competitive advantage, security threats, and potential ethical or legal violations. To this end, in this paper, we formulate the Federated Labor Market Forecasting (FedLMF) problem and propose a Meta-personalized Convergence-aware Clustered Federated Learning (MPCAC-FL) framework to provide accurate and timely collaborative talent demand and supply prediction in a privacy-preserving way. First, we design a graph-based sequential model to capture the inherent correlation between demand and supply sequences and company-position pairs. Second, we adopt meta-learning techniques to learn effective initial model parameters that can be shared across companies, allowing personalized models to be optimized for forecasting company-specific demand and supply, even when companies have heterogeneous data. Third, we devise a Convergence-aware Clustering algorithm to dynamically divide companies into groups according to model similarity and apply federated aggregation in each group. The heterogeneity can be alleviated for more stable convergence and better performance. Extensive experiments demonstrate that MPCAC-FL outperforms compared baselines on three real-world datasets and achieves over 97% of the state-of-the-art model, i.e., DH-GEM, without exposing private company data.
- Abstract(参考訳): 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。
正確でタイムリーな予測では、雇用主は採用戦略を進化する労働市場に合わせて調整することができ、雇用者は将来の需要と供給に応じて積極的なキャリアパス計画を行うことができる。
しかし、従来の研究では、異なる企業間の需要供給シーケンスと変動予測の立場の相互関係は無視されていた。
さらに企業は、競争上の優位性やセキュリティ上の脅威、倫理的または法的違反を危険にさらす懸念から、グローバルな労働市場分析のためにプライベートな人的資源データを共有することに消極的だ。
そこで本稿では,FedLMF(Federated Labor Market Forecasting)の問題を定式化し,MPCAC-FL(Meta-personalized Convergence-aware Clustered Federated Learning)フレームワークを提案する。
まず、需要と供給の順序と企業配置のペアの間に固有の相関関係を捉えるグラフベースのシーケンシャルモデルを設計する。
第2に,企業間で共有可能な効果的な初期モデルパラメータを学習するためにメタラーニング手法を採用し,異種データを持つ企業であっても,企業固有の需要と供給を予測するためにパーソナライズされたモデルを最適化する。
第3に,モデル類似性に応じて企業を動的にグループに分割し,各グループにフェデレーションアグリゲーションを適用するコンバージェンス対応クラスタリングアルゴリズムを考案する。
不均一性はより安定した収束とより良い性能のために緩和することができる。
大規模な実験では、MPCAC-FLは3つの実世界のデータセットのベースラインを比較し、DH-GEMという最先端モデルの97%以上を非公開企業データを公開せずに達成している。
関連論文リスト
- F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳(メタデータ) (2024-06-23T21:28:50Z) - Job-SDF: A Multi-Granularity Dataset for Job Skill Demand Forecasting and Benchmarking [59.87055275344965]
Job-SDFは、ジョブスキルの需要予測モデルをトレーニングし、ベンチマークするために設計されたデータセットである。
2021年から2023年にかけて、中国の大手オンライン求人プラットフォームから集められた1035万件の求人広告に基づいている。
本データセットは,職業,企業,地域レベルなど,さまざまな粒度でのスキル需要予測モデルの評価を可能にする。
論文 参考訳(メタデータ) (2024-06-17T07:22:51Z) - Building Socially-Equitable Public Models [32.35090986784889]
パブリックモデルは、さまざまなダウンストリームタスクを予測し、さまざまなAIアプリケーションにおいて重要な役割を果たす。
我々は、下流エージェントの目的を最適化プロセスに統合することを提唱する。
本研究では,不均一なエージェント間の公平性を育成し,パフォーマンスの相違に対処する新しいエクイタブル・オブジェクトを提案する。
論文 参考訳(メタデータ) (2024-06-04T21:27:43Z) - By Fair Means or Foul: Quantifying Collusion in a Market Simulation with Deep Reinforcement Learning [1.5249435285717095]
本研究は、反復価格競争の実験的なオリゴポリーモデルを用いる。
我々は,エージェントが開発する戦略と価格パターンについて検討し,その結果を導出する可能性がある。
以上の結果から,RLをベースとしたAIエージェントは,超競争的価格帯電を特徴とする癒着状態に収束することが示唆された。
論文 参考訳(メタデータ) (2024-06-04T15:35:08Z) - The Effects of Data Imbalance Under a Federated Learning Approach for
Credit Risk Forecasting [0.0]
信用リスク予測は、商業銀行や他の金融機関が顧客に融資を許可する上で重要な役割を担っている。
従来の機械学習手法では、グローバルモデルを構築するには、機密性の高いクライアント情報を外部サーバと共有する必要がある。
フェデレートラーニング(FL)として知られる、新たに開発されたプライバシ保護分散機械学習技術により、プライベートローカルデータに直接アクセスする必要なく、グローバルモデルのトレーニングが可能になる。
論文 参考訳(メタデータ) (2024-01-14T09:15:10Z) - PAGE: Equilibrate Personalization and Generalization in Federated
Learning [13.187836371243385]
フェデレーテッド・ラーニング(FL)は、マシンラーニング・アズ・ア・サービスの主要な推進力になりつつある。
PAGEと呼ばれるゲーム理論上でパーソナライズと一般化のバランスをとるための最初のアルゴリズムを提案する。
実験により、PAGEは、グローバルとローカルの予測精度において、最先端のFLベースラインを同時に上回ることを示した。
論文 参考訳(メタデータ) (2023-10-13T09:11:35Z) - Finding Regularized Competitive Equilibria of Heterogeneous Agent
Macroeconomic Models with Reinforcement Learning [151.03738099494765]
労働市場に参入する世帯や企業を無限に数える異種エージェントマクロ経済モデルについて検討する。
本稿では,モデルの正規化競争均衡を求めるデータ駆動強化学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-24T17:16:27Z) - FedDM: Iterative Distribution Matching for Communication-Efficient
Federated Learning [87.08902493524556]
フェデレートラーニング(FL)は近年、学術や産業から注目を集めている。
我々は,複数の局所的代理関数からグローバルなトレーニング目標を構築するためのFedDMを提案する。
そこで本研究では,各クライアントにデータ集合を構築し,元のデータから得られた損失景観を局所的にマッチングする。
論文 参考訳(メタデータ) (2022-07-20T04:55:18Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳(メタデータ) (2021-06-22T18:29:58Z)
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。