Fugu-MT 論文翻訳(概要): Forecasting Labor Markets with LSTNet: A Multi-Scale Deep Learning Approach

論文の概要: Forecasting Labor Markets with LSTNet: A Multi-Scale Deep Learning Approach

arxiv url: http://arxiv.org/abs/2507.01979v1
Date: Wed, 25 Jun 2025 07:14:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-04 15:37:14.874143
Title: Forecasting Labor Markets with LSTNet: A Multi-Scale Deep Learning Approach
Title（参考訳）: LSTNetによる労働市場予測:マルチスケールディープラーニングアプローチ
Authors: Adam Nelson-Archer, Aleia Sen, Meena Al Hasani, Sofia Davila, Jessica Le, Omar Abbouchi,
Abstract要約: 本稿では, 労働統計局の労働市場データを用いて, 短期雇用の変化を予測し, 長期産業の健全性を評価するための深層学習手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a deep learning approach for forecasting short-term employment changes and assessing long-term industry health using labor market data from the U.S. Bureau of Labor Statistics. Our system leverages a Long- and Short-Term Time-series Network (LSTNet) to process multivariate time series data, including employment levels, wages, turnover rates, and job openings. The model outputs both 7-day employment forecasts and an interpretable Industry Employment Health Index (IEHI). Our approach outperforms baseline models across most sectors, particularly in stable industries, and demonstrates strong alignment between IEHI rankings and actual employment volatility. We discuss error patterns, sector-specific performance, and future directions for improving interpretability and generalization.
Abstract（参考訳）: 本稿では, 労働統計局の労働市場データを用いて, 短期雇用の変化を予測し, 長期産業の健全性を評価するための深層学習手法を提案する。本システムはLSTNetを利用して,雇用水準,賃金,転職率,求職率などの多変量時系列データを処理する。このモデルは7日間の雇用予測と解釈可能な産業雇用健康指標(IEHI)の両方を出力する。当社のアプローチは,IEHIランキングと実際の雇用のボラティリティとの間に強い整合性を示すとともに,多くの分野,特に安定した産業において,ベースラインモデルを上回っている。本稿では,誤りパターン,セクター固有の性能,解釈可能性の向上と一般化に向けた今後の方向性について論じる。

関連論文リスト

JobHop: A Large-Scale Dataset of Career Trajectories [48.881023210777585]
ジョブホップ(JobHop)は、ベルギーのフランドルにある公共雇用サービスVDABが提供する匿名の履歴書から派生した大規模なパブリックデータセットである。構造化されていない履歴データを処理して、構造化された経歴情報を抽出し、標準化された ESCO の職業コードにマッピングする。これにより、230万以上の作業経験の豊富なデータセットが抽出され、391,000以上のユーザ履歴書にまとめられる。
論文参考訳（メタデータ） (2025-05-12T15:22:29Z)
Unemployment Dynamics Forecasting with Machine Learning Regression Models [1.9761774213809031]
本稿では、月次失業率データに回帰と機械学習の手法を適用し、タイムリーな予測を行う方法について検討した。私は、線形回帰、SGDRegressor、ランダムフォレスト、XGBoost、CatBoost、サポートベクター回帰、LSTMネットワークの7つのモデルを比較した。我々の研究は、現代の機械学習技術がリアルタイムの失業予測を強化し、経済学者や政策立案者が労働市場の動向についてより深い洞察を提供する方法を示している。
論文参考訳（メタデータ） (2025-05-03T21:55:28Z)
Forecasting Labor Demand: Predicting JOLT Job Openings using Deep Learning Model [1.9761774213809031]
本論文は,米国における雇用創出と労働ターンオーバー調査データの予測における長期記憶モデルの有効性について考察する。 LSTMモデルは、ARIMA、SARIMA、Holt-Wintersなど、従来の自己回帰アプローチよりも優れていることが示唆されている。これらの結果は、経済データにおける複雑な時間的依存関係を捉え、データ駆動型労働市場戦略の開発において政策立案者や利害関係者に貴重な洞察を提供するためのディープラーニング技術の可能性を浮き彫りにしている。
論文参考訳（メタデータ） (2025-03-24T18:19:33Z)
ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
論文参考訳（メタデータ） (2024-09-10T07:34:19Z)
LABOR-LLM: Language-Based Occupational Representations with Large Language Models [8.909328013944567]
CAREERは、キャリア履歴の関数として労働者の次の仕事を予測する。本稿では,履歴書に基づく基礎モデルを大規模言語モデルに置き換える方法を検討する。
論文参考訳（メタデータ） (2024-06-25T23:07:18Z)
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)
Occupation Life Cycle [16.618743552104192]
本稿では,職業の軌跡を探るため,Occupation Life Cycle (OLC)モデルを提案する。中国最大の採用プラットフォームからの求人データを用いて、2018年から2023年にかけての労働市場の変動と新興トレンドを追跡します。われわれの発見は、職業進化と経済要因の相互作用に関するユニークな視点を与えており、特に中国の労働市場に焦点を当てている。
論文参考訳（メタデータ） (2024-04-15T03:13:51Z)
A Survey on Service Route and Time Prediction in Instant Delivery: Taxonomy, Progress, and Prospects [58.746820564288846]
Route&Time Prediction (RTP) は、労働者の到着時間だけでなく、将来のサービス経路を推定することを目的としている。これまで多くのアルゴリズムが開発されてきたが、この領域の研究者を導くための体系的で包括的な調査は行われていない。提案手法は,2つの基準に基づいて分類される: (i) タスクのタイプ, (i) 時間のみの予測, (ii) シーケンスベースモデルとグラフベースモデルを含むモデルアーキテクチャ, (iii) 教師付き学習(SL) とDeep Reinforcementを含む学習パラダイム。
論文参考訳（メタデータ） (2023-09-03T14:43:33Z)
Enhancing PLM Performance on Labour Market Tasks via Instruction-based Finetuning and Prompt-tuning with Rules [0.9790236766474201]
労働市場特化アプリケーションにおけるプレトレーニング言語モデル(PLM)の即時チューニングの有効性を示す。この結果から,PTRや命令チューニングのようなコスト効率のよい手法が,PLMの性能を大幅に向上させる可能性が示唆された。
論文参考訳（メタデータ） (2023-08-31T14:47:00Z)
Practical Skills Demand Forecasting via Representation Learning of Temporal Dynamics [4.536775100566484]
急速な技術革新は、世界の労働力の多くを置き去りにする恐れがある。政府や市場は、スキルの供給が需要の変化に反応する速度を早める方法を見つけなければならない。本稿では,10年間の月次技術需要観測を用いて,複数段階の予測を未来に向けて一斉に行うパイプラインを提案する。
論文参考訳（メタデータ） (2022-05-18T04:02:55Z)
Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文参考訳（メタデータ） (2021-07-05T10:15:23Z)

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。