論文の概要: Noise is Signal: Density-Based Outliers as Leading Indicators of Occupational Emergence in Labor Market Text
- arxiv url: http://arxiv.org/abs/2606.22769v1
- Date: Mon, 22 Jun 2026 02:15:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 04:49:21.211129
- Title: Noise is Signal: Density-Based Outliers as Leading Indicators of Occupational Emergence in Labor Market Text
- Title（参考訳）: 騒音は信号である:労働市場テキストにおける職業創発の指標としての密度に基づくアウトリーチ
- Authors: Shreyash Rawat,
- Abstract要約: 我々は,エネルジェンス・デニティ・インバージョン(EDI)仮説を定式化し,8四半期にわたる84,988件の求職を縦断的に検証した。
EDIは部分的に確認されており、高出力のアウトリー群は1.4+/-0.6クォーターの安定クラスタに遷移する。
現在確立されている3つの役割に関する振り返り調査では、EOSがクラスタ形成前に2～3分の1のシグナルを伝達していることが確認されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Standard NLP pipelines for occupational clustering discard the 10-15% of job postings that density-based methods assign to noise. We argue this is an error: in rapidly evolving domains, low posting density signals novelty, not incoherence. We formalize this as the Emergence-Density Inversion (EDI) hypothesis and test it longitudinally on 84,988 job postings across eight quarters (Q4 2022-Q3 2024). EDI is partially confirmed: high-EOS outlier groups transition to stable clusters in 1.4 +/- 0.6 quarters vs. 4.1 +/- 1.2 for low-EOS groups (p < 0.001), though the signal fails in approximately 19% of cases, which we characterize as a failure analysis. We extend the Emerging Occupation Score (EOS) with Temporal Velocity and Cross-Platform Convergence, improving 2-quarter cluster-formation prediction from F1 = 0.61 to 0.74, outperforming Isolation Forest, LOF, GLOSH, and BERTrend baselines. A retrospective study on three now-established roles (MLOps Engineer, DevOps/SRE, Data Engineer) confirms EOS signalled 2-3 quarters before cluster formation, providing held-out validation. A held-out annotator panel (kappa = 0.74) rates EOS > 0.75 as coherent emerging occupations with 77% precision. Prompt Engineer, AI Safety Researcher, Foundation Model Engineer, and Agent Systems Engineer, all absent from O*NET, are top-4 in Q3 2024 and form stable clusters by Q1 2025.
- Abstract（参考訳）: 作業クラスタリングのための標準的なNLPパイプラインは、密度ベースの手法がノイズに割り当てるジョブポストの10～15%を破棄する。
急速に進化する領域では、ポスト密度の信号が新しく、不整合ではない。
我々はこれをEDI(Emergence-Density Inversion)仮説として定式化し、8クォーターにわたる84,988の求人(Q4 2022-Q3 2024)で縦断的に検証する。
EDI は部分的に確認されている: 高EOS 外乱群は1.4 +/- 0.6 クォーターで安定クラスタに遷移するが、低EOS 群 (p < 0.001) では4.1 +/- 1.2 である。
我々は,時間速度とクロス・プラットフォーム・コンバージェンスを併用したEOS(Emerging Occupation Score)を拡張し,F1 = 0.61 から 0.74 に2/4のクラスタ形成予測を改良し,孤立林,LOF,GLOSH,BERTrend のベースラインを向上した。
新たに確立された3つのロール(MLOps Engineer、DevOps/SRE、データエンジニア)に関する振り返り調査では、EOSがクラスタ形成前に2～3分の1をシグナル付け、ホールドアウトバリデーションを提供する。
保持されたアノテータパネル (kappa = 0.74) は、EOS > 0.75 を77%の精度でコヒーレントな新興職業として評価する。
Prompt Engineer、AI Safety Researcher、Foundation Model Engineer、Agent Systems Engineerは、いずれもO*NETを欠席しており、2024年Q3の上位4社であり、2025年Q1までに安定したクラスタを形成している。
関連論文リスト
- Stable Geometry, Reversing Poles: The Bipolar Structure of AI Occupational Substitutability and Its Decade-Scale Inversion [0.0]
我々は1,961 O*NET Detailed Work Activityを,31-expert HITLキャリブレーションを用いたマルチエージェントLPMパイプラインを用いて15,817個のマイクロアクションに分解した。
DWAレベルのOccupational Automation Indexを以前の研究から7マクロのセマンティックタイプポロジーに投影する。
論文 参考訳（メタデータ） (2026-06-06T02:00:32Z) - Knowledge Index of Noah's Ark [63.143852586221534]
KINAは,261分野にわたる899項目のベンチマークである。
ボーナス・オン・バートーナメントがFOSDを弱く支配していることを示す。
トップモデルであるGemini-3.1-Pro-Previewは53.17%、Claude-Opus-4.6は49.92%、GPT-5.4は48.55%に達した。
論文 参考訳（メタデータ） (2026-06-03T17:06:49Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - ContractBench: Can LLM Agents Preserve Observation Contracts? [9.057486468322933]
観察契約の遵守は、緊急かつ回帰的な能力であることを示す。
ContractBenchは、2つの障害モードを探索する33の二重軸タスクのベンチマークである。
i)評価モデルが80%,Claude-Opus-4.6が77.8%, (ii)Qwen 3.5で4B (0%) から9B (56.6%) の急激な家庭内能力崖が397B-A17Bで70.7%, (iii) GPT-5ファミリーでの非単調性スケーリングが消失した。
論文 参考訳（メタデータ） (2026-05-17T06:37:04Z) - Architectural Observability Collapse in Transformers [0.0]
トレーニングは、出力信頼が露呈しない内部的な意思決定品質のシグナルを保持します。
信頼制御は、平均60.3%の生プローブ信号を6つのファミリーの14モデルで吸収する。
Llama 3.1 8Bは、同じ32層、32頭、4096面の形状で崩壊する。
論文 参考訳（メタデータ） (2026-04-27T02:39:02Z) - AgentHER: Hindsight Experience Replay for LLM Agent Trajectory Relabeling [12.42698406379544]
AgentHERは、自然言語エージェントトラジェクトリにHindsight Experience原則を適用することで、失われたトレーニング信号を回復する。
破棄された障害を高品質のSFT、DPO、ShareGPTトレーニングデータに変換する。
WebArena Replay (Zhou et al., 2024)とToolBench (Qin et al., 2024)では、AgentHERは4つのモデルファミリーで成功のみのSFTを+7.1-11.7ppで改善している。
論文 参考訳（メタデータ） (2026-03-22T18:36:58Z) - Step 3.5 Flash: Open Frontier-Level Intelligence with 11B Active Parameters [169.7981969517903]
Step 3.5 Flashは、フロンティアレベルのエージェントインテリジェンスと計算効率を橋渡しする。
エージェントを構築する上で最も重要なもの、すなわち、シャープな推論と高速で信頼性の高い実行に重点を置いています。
論文 参考訳（メタデータ） (2026-02-11T07:53:51Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - VAULT: Vigilant Adversarial Updates via LLM-Driven Retrieval-Augmented Generation for NLI [15.320553375828045]
VAULTは、NLIモデルの弱点を発見し、改善する完全に自動化された対向的なRAGパイプラインである。
VAULTはデータセット間で、従来よりも最大で2.0%パフォーマンスが向上している。
論文 参考訳（メタデータ） (2025-08-01T14:22:54Z)
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。