論文の概要: Probabilistic Salary Prediction with Graph Attention Networks and a Mixture Density Network

• arxiv url: http://arxiv.org/abs/2606.11663v1
• Date: Wed, 10 Jun 2026 05:12:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.302043
• Title: Probabilistic Salary Prediction with Graph Attention Networks and a Mixture Density Network
• Title（参考訳）: グラフ注意ネットワークと混合密度ネットワークを用いた確率的給与予測
• Authors: Zhipei Qin, Mohammad Shokri, N. van Weeren, F. W. Takes,
• Abstract要約: 両制約を同時に扱う統合フレームワークであるGAT-MDNを提案する。 3つの属性領域それぞれに対して、エッジが(i)階層的親子包含と(ii)事前学習された文変換器から導かれる重み付き類似性リンクをエンコードする領域固有グラフを構築する。 100万を超える実世界のオランダのジョブポストデータセットの実験では、GAT-MDNが負のログリフッド(NLL)と平均正方形エラー(MSE)の両方で非グラフ-MDNベースラインを著しく上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate salary prediction is critical for bridging the information gap between employers and job seekers in modern labor markets. Existing approaches predominantly yield a single point estimate and treat job attributes such as location, occupation, and industry as independent categorical features, ignoring both the inherent uncertainty and multi-modality of real-world compensation data and the rich hierarchical and semantic-similarity relationships that govern pay norms. In this paper we propose GAT-MDN, a unified framework that addresses both limitations simultaneously. For each of the three attribute domains we construct a domain-specific graph whose edges encode (i) hierarchical parent-child containment and (ii) weighted similarity links derived from a pre-trained Sentence-Transformer. Parallel Graph Attention Networks (GATs) with edge-feature-aware attention learn rich, context-sensitive node representations from these multi-relational graphs. A priority-based hierarchical selection module then assembles a composite feature vector that gracefully handles missing or coarse attributes, and a Mixture Density Network (MDN) head maps this vector to the parameters of a Gaussian Mixture Model (GMM), yielding a full conditional salary distribution. Extensive experiments on a real-world Dutch job-posting dataset of over 1 million records demonstrate that GAT-MDN significantly outperforms a non-graph MLP-MDN baseline in both Negative Log-Likelihood (NLL) and Mean Squared Error (MSE).
• Abstract（参考訳）: 現代の労働市場における雇用主と求職者の情報ギャップを埋めるためには、正確な給与予測が不可欠である。 既存のアプローチは、主に単一点の推定と、場所、職業、産業などの仕事特性を独立したカテゴリーの特徴として扱い、現実世界の補償データの本質的な不確実性と多様性と、給与規範を統治する豊富な階層的・意味的類似性の関係を無視する。 本稿では,両制約を同時に扱う統一フレームワークであるGAT-MDNを提案する。 3つの属性領域それぞれに対して、エッジがエンコードされる領域固有のグラフを構築する。 一 階層的親子封じ込め (ii)事前学習した文変換器から得られる重み付き類似性リンク。 エッジを意識した並列グラフ注意ネットワーク(GAT)は,これらのマルチリレーショナルグラフから,リッチでコンテキストに敏感なノード表現を学習する。 優先度に基づく階層的選択モジュールは、欠落した属性や粗い属性を優雅に扱う複合特徴ベクトルを組み立て、混合密度ネットワーク(MDN)は、このベクトルをガウス混合モデル(GMM)のパラメータにマッピングし、完全な条件付き給与分布を生成する。 GAT-MDNはNLL(Negative Log-Likelihood)とMSE(Mean Squared Error)の両方で非グラフMLP-MDNベースラインを大幅に上回っている。

関連論文リスト

• MDGMIX: Boundary-Aware Subgraph Mixing for Multi-Domain Graph Pre-Training [20.866173432752934]
  マルチドメイングラフ事前学習は基礎グラフモデルを構築する上で重要なステップである。 本稿では,マルチドメイングラフ事前学習における有意なデータ冗長性を実証的に明らかにする。 境界認識サブグラフの混合と階層的識別を組み合わせたマルチドメイングラフ事前学習フレームワークMDGMIXを提案する。
  論文  参考訳（メタデータ） (2026-05-25T12:21:27Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• LASE: Learned Adjacency Spectral Embeddings [9.227991604045416]
  グラフ入力から結節隣接スペクトル埋め込み(ASE)を学習する。 LASEは解釈可能で、パラメータ効率が高く、未観測のエッジを持つ入力に対して堅牢である。 LASEレイヤは、Graph Convolutional Network (GCN)と完全に接続されたGraph Attention Network (GAT)モジュールを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-23T17:35:19Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• GraphMETRO: Mitigating Complex Graph Distribution Shifts via Mixture of Aligned Experts [75.51612253852002]
  GraphMETROは、自然多様性をモデル化し、複雑な分散シフトをキャプチャするグラフニューラルネットワークアーキテクチャである。 GraphMETROはGOODベンチマークから4つのデータセットに対して最先端の結果を得る。
  論文  参考訳（メタデータ） (2023-12-07T20:56:07Z)
• ADAMM: Anomaly Detection of Attributed Multi-graphs with Metadata: A Unified Neural Network Approach [39.211176955683285]
  有向多重グラフを処理する新しいグラフニューラルネットワークモデルADAMMを提案する。 ADAMMは、教師なしの異常検出目的を通じてメタデータとグラフレベルの表現学習を融合する。
  論文  参考訳（メタデータ） (2023-11-13T14:19:36Z)
• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• RU-Net: Regularized Unrolling Network for Scene Graph Generation [92.95032610978511]
  シーングラフ生成(SGG)は、オブジェクトを検出し、各オブジェクト間の関係を予測することを目的としている。 既存のSGG法は,(1)あいまいな対象表現,2)関係予測の多様性の低下など,いくつかの問題に悩まされることが多い。 両問題に対処する正規化アンローリングネットワーク(RU-Net)を提案する。
  論文  参考訳（メタデータ） (2022-05-03T04:21:15Z)

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。