論文の概要: Enhancing Job Salary Prediction with Disentangled Composition Effect Modeling: A Neural Prototyping Approach

• arxiv url: http://arxiv.org/abs/2503.12978v1
• Date: Mon, 17 Mar 2025 09:36:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:59:21.505643
• Title: Enhancing Job Salary Prediction with Disentangled Composition Effect Modeling: A Neural Prototyping Approach
• Title（参考訳）: アンタングル構成効果モデルによる求人給与予測の強化:ニューラルプロトタイピングアプローチ
• Authors: Yang Ji, Ying Sun, Hengshu Zhu,
• Abstract要約: 雇用スキルが給与にどのような影響を及ぼすかを理解することは 競争力のある給与制度による採用の促進と 給与期待の調整に不可欠です そこで本稿では,bftextLGDESetNet という,新しい説明可能なセットベースニューラルプロトタイピング手法を提案する。 本手法は,給与予測における現状ベースラインよりも優れた性能を実現するとともに,給与影響パターンに関する説明可能な洞察を提供する。
• 参考スコア（独自算出の注目度）: 19.541536821635113
• License:
• Abstract: In the era of the knowledge economy, understanding how job skills influence salary is crucial for promoting recruitment with competitive salary systems and aligned salary expectations. Despite efforts on salary prediction based on job positions and talent demographics, there still lacks methods to effectively discern the set-structured skills' intricate composition effect on job salary. While recent advances in neural networks have significantly improved accurate set-based quantitative modeling, their lack of explainability hinders obtaining insights into the skills' composition effects. Indeed, model explanation for set data is challenging due to the combinatorial nature, rich semantics, and unique format. To this end, in this paper, we propose a novel intrinsically explainable set-based neural prototyping approach, namely \textbf{LGDESetNet}, for explainable salary prediction that can reveal disentangled skill sets that impact salary from both local and global perspectives. Specifically, we propose a skill graph-enhanced disentangled discrete subset selection layer to identify multi-faceted influential input subsets with varied semantics. Furthermore, we propose a set-oriented prototype learning method to extract globally influential prototypical sets. The resulting output is transparently derived from the semantic interplay between these input subsets and global prototypes. Extensive experiments on four real-world datasets demonstrate that our method achieves superior performance than state-of-the-art baselines in salary prediction while providing explainable insights into salary-influencing patterns.
• Abstract（参考訳）: 知識経済の時代には、雇用スキルが給与にどのような影響を及ぼすかを理解することが、競争的な給与制度による採用の促進と、給与期待の整合化に不可欠である。 職位や人材統計に基づく給与予測への取り組みにもかかわらず、定型的スキルの複雑な構成効果が雇用給与に与える影響を効果的に識別する方法はいまだ存在しない。 ニューラルネットワークの最近の進歩は、正確なセットベース定量的モデリングを大幅に改善しているが、その説明可能性の欠如は、スキルの構成効果に関する洞察を得ることを妨げる。 実際、データセットのモデル説明は、組み合わせの性質、リッチセマンティクス、ユニークなフォーマットのために困難である。 そこで本研究では,局所的およびグローバル的視点から給与に影響を及ぼす非絡み合いのスキルセットを明らかにするための,新しい説明可能なセットベースニューラルプロトタイピング手法,すなわち「textbf{LGDESetNet}」を提案する。 具体的には,様々な意味を持つ多面的なインプットサブセットを識別するために,グラフを拡張した非絡み合った個別サブセット選択層を提案する。 さらに,グローバルな影響力のあるプロトタイプ集合を抽出する,セット指向のプロトタイプ学習手法を提案する。 結果の出力は、これらの入力サブセットとグローバルプロトタイプ間の意味的相互作用から透過的に導かれる。 4つの実世界のデータセットに対する大規模な実験により、我々の手法は給与予測における最先端のベースラインよりも優れた性能を示し、給与影響パターンに関する説明可能な洞察を提供する。

関連論文リスト

• Uniting contrastive and generative learning for event sequences models [51.547576949425604]
  本研究では,2つの自己指導型学習手法 – 例えば,コントラスト学習と,潜在空間におけるマスクイベントの復元に基づく生成的アプローチ – の統合について検討する。 いくつかの公開データセットで行った実験は、シーケンス分類と次点型予測に焦点を合わせ、統合された手法が個々の手法と比較して優れた性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-08-19T13:47:17Z)
• Distilling Vision-Language Foundation Models: A Data-Free Approach via Prompt Diversification [49.41632476658246]
  我々は、数十億レベルの画像テキストデータセットにアクセスすることなく、DFKDをVision-Language Foundation Modelsに拡張することについて議論する。 目的は,配当に依存しないダウンストリームタスクに対して,与えられたカテゴリ概念を学生モデルにカスタマイズすることである。 本稿では,多様なスタイルで画像合成を促進するために,3つの新しいプロンプト分岐法を提案する。
  論文  参考訳（メタデータ） (2024-07-21T13:26:30Z)
• Corpus Considerations for Annotator Modeling and Scaling [9.263562546969695]
  一般的に使われているユーザトークンモデルは、より複雑なモデルよりも一貫して優れています。 以上の結果から,コーパス統計とアノテータモデリング性能の関係が明らかになった。
  論文  参考訳（メタデータ） (2024-04-02T22:27:24Z)
• One-Shot Open Affordance Learning with Foundation Models [54.15857111929812]
  私たちは、モデルがベースオブジェクトカテゴリ毎に1つの例でトレーニングされる、ワンショットのオープンアフォーダンスラーニング(OOAL)を紹介します。 本稿では,視覚的特徴と手頃なテキスト埋め込みとの整合性を高める,シンプルで効果的な設計の視覚言語フレームワークを提案する。 2つのアベイランスセグメンテーションのベンチマーク実験により、提案手法はトレーニングデータの1%未満で最先端のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-29T16:23:06Z)
• Explaining Language Models' Predictions with High-Impact Concepts [11.47612457613113]
  概念ベースの解釈可能性手法をNLPに拡張するための完全なフレームワークを提案する。 出力予測が大幅に変化する特徴を最適化する。 本手法は, ベースラインと比較して, 予測的影響, ユーザビリティ, 忠実度に関する優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-05-03T14:48:27Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• Contrastive Learning for Fair Representations [50.95604482330149]
  訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。 対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。 比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
  論文  参考訳（メタデータ） (2021-09-22T10:47:51Z)
• A Framework to Learn with Interpretation [2.3741312212138896]
  本稿では,予測モデルとその関連解釈モデルを共同で学習する新しい枠組みを提案する。 我々は,選択した隠れ層の出力を入力として取り込む,高レベル属性関数の小型辞書を求める。 学習した機能を視覚化する詳細なパイプラインも開発されている。
  論文  参考訳（メタデータ） (2020-10-19T09:26:28Z)
• Interpretable Neural Networks for Panel Data Analysis in Economics [10.57079240576682]
  本稿では,高い予測精度と解釈可能性の両方を達成可能な,解釈可能なニューラルネットワークモデルのクラスを提案する。 高次元の行政データを用いて、個人の月間雇用状況を予測するモデルを適用した。 テストセットの精度は94.5%で、従来の機械学習手法に匹敵する。
  論文  参考訳（メタデータ） (2020-10-11T18:40:22Z)
• Automated Concatenation of Embeddings for Structured Prediction [75.44925576268052]
  本稿では, 埋め込みの自動結合(ACE)を提案し, 構造予測タスクにおける埋め込みのより優れた結合を見つけるプロセスを自動化する。 我々は、強化学習の戦略に従い、制御器のパラメータを最適化し、タスクモデルの精度に基づいて報酬を計算する。
  論文  参考訳（メタデータ） (2020-10-10T14:03:20Z)

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。