論文の概要: Graph Neural Team Recommendation: An Integrated Approach

• arxiv url: http://arxiv.org/abs/2609.01631v1
• Date: Mon, 10 Aug 2026 22:23:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-06 19:38:41.481384
• Title: Graph Neural Team Recommendation: An Integrated Approach
• Title（参考訳）: Graph Neural Team Recommendation: 統合的なアプローチ
• Abstract要約: 我々は、チームの推薦問題を専門家のコラボレーショングラフでエンドツーエンドのリンク予測に再構成する。 2つの大規模データセットに対する実験は、エンドツーエンドアプローチの優位性を実証している。
• 参考スコア（独自算出の注目度）: 5.347601956905657
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Team recommendation aims to select an optimal subset of experts who can form an almost surely successful collaborative team for a given set of required skills. State-of-the-art methods are neural multi-label classifiers that transfer dense vector representations of skills into a sparse occurrence vector representing the optimal subset of experts. Such methods, however, overlook experts' relational and structural information encoded in the expert collaboration graph and, thus, fall short of capturing complex inter-dependencies among experts and their associated skills within teams. Moreover, the skills' dense vectors are pretrained disjointly and independently of the underlying neural classifier, hence, preventing end-to-end optimization. In this paper, we propose to reformulate the team recommendation problem into end-to-end link predictions in the expert collaboration graph to consume multi-hop intra-team and cross-team collaborations among experts while eschewing the unnecessary complexities of the disjoint two-phase training procedure. Our experiments on two large-scale datasets from various domains with distinct distributions of skills in teams demonstrate the superiority of the end-to-end approach and establish a new state of the art. Our code is available at https://github.com/fani-lab/OpeNTF.
• Abstract（参考訳）: チームレコメンデーションは、必要なスキルセットに対して、ほぼ確実に成功したコラボレーションチームを作ることのできる、専門家の最適なサブセットを選択することを目的としています。 State-of-the-artメソッドは、スキルの密度の高いベクトル表現を専門家の最適なサブセットを表すスパース発生ベクトルに転送するニューラルネットワーク多ラベル分類器である。 しかしながら、専門家のリレーショナルな構造的な情報が専門家のコラボレーショングラフにエンコードされているのを見落としているため、専門家間の複雑な相互依存や、チーム内のスキルを捉えるには不足しています。 さらに、スキルの密接なベクトルは、下位のニューラル分類器とは独立して事前訓練されるため、エンドツーエンドの最適化が防止される。 本稿では,チーム推薦問題を専門家コラボレーショングラフのエンドツーエンドリンク予測に再構成し,専門家間のマルチホップ・チーム間コラボレーションとチーム間コラボレーションを両立させるとともに,相反する2段階トレーニング手順の不要な複雑さを解消する手法を提案する。 チーム内で異なるスキルの分布を持つさまざまな領域から得られた2つの大規模データセットに関する実験は、エンドツーエンドアプローチの優位性を実証し、新しい最先端技術を確立した。 私たちのコードはhttps://github.com/fani-lab/OpeNTF.comで利用可能です。

関連論文リスト

• Rethinking Expert Training for Model Merging with Prompt Learning [29.003417422329715]
  モデルマージは、共有基盤モデルからトレーニングされた複数のドメイン特化専門家を単一のマルチタスクモデルに結合することを目的としている。 既存のアプローチは、マージ手順自体の改善に重点を置いている。 最初にプロンプトを学習し、次に視覚エンコーダを微調整する2段階のトレーニング戦略であるDual-Tuned Experts(DTE)を紹介する。
  論文  参考訳（メタデータ） (2026-07-27T14:04:48Z)
• Co-Evolving Policy Distillation [56.500154041818746]
  Co-Evolving Policy Distillation (CoPD)は専門家の並行トレーニングを促進し、各専門家のRLVRトレーニング中にOPDを導入する。 実験では、CoPDがテキスト、画像、ビデオの推論機能のオールインワン統合を実現することを検証する。
  論文  参考訳（メタデータ） (2026-04-29T18:24:11Z)
• Multi-Agent Teams Hold Experts Back [37.015657067301355]
  自己組織化LDMチームが強力なシナジーを達成できるかどうかを考察する。 人間のチームとは違って、LLMチームは、専門家のエージェントのパフォーマンスと一貫して一致しないのです。 私たちは、識別ではなく、専門家の活用が主要なボトルネックであることを示しています。
  論文  参考訳（メタデータ） (2026-02-01T04:34:36Z)
• CODA: Coordinating the Cerebrum and Cerebellum for a Dual-Brain Computer Use Agent with Decoupled Reinforcement Learning [81.08755597239262]
  既存のアプローチはトレードオフに苦しむ: ジェネラリストのエージェントは計画に精通するが実行時に性能が悪く、専門のエージェントは反対の弱点を示す。 最近の構成フレームワークは、プランナーとアクターを組み合わせることで、このギャップを埋めようとしているが、それらは通常静的で、訓練不能である。 我々は、ジェネラリストプランナーとスペシャリストエグゼキュータを統合した、新しく訓練可能な構成フレームワークであるCODAを紹介する。
  論文  参考訳（メタデータ） (2025-08-27T17:59:50Z)
• Conformal Set-based Human-AI Complementarity with Multiple Experts [1.1510009152620668]
  本研究は、複数の人間専門家のプールからインスタンス固有の専門家を選定することに焦点を当てる。 我々は、共形集合を利用して、インスタンスの分類に使用される専門家予測のサブセットを識別するグリーディアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-08-09T14:17:51Z)
• TeamLoRA: Boosting Low-Rank Adaptation with Expert Collaboration and Competition [61.91764883512776]
  我々は,専門家のためのコラボレーション・コンペティション・モジュールからなる,革新的なPEFT手法であるTeamLoRAを紹介する。 そうすることで、TeamLoRAは専門家を"チーム"として内部のコラボレーションや競争に結び付け、マルチタスク学習のためのより高速で正確なPEFTパラダイムを可能にします。
  論文  参考訳（メタデータ） (2024-08-19T09:58:53Z)
• Inverse Reinforcement Learning with Sub-optimal Experts [56.553106680769474]
  与えられた専門家の集合と互換性のある報酬関数のクラスの理論的性質について検討する。 以上の結果から,複数の準最適専門家の存在が,相反する報酬の集合を著しく減少させる可能性が示唆された。 我々は,最適なエージェントの1つに十分近い準最適専門家のパフォーマンスレベルが最適である場合に,最小限の最適化を行う一様サンプリングアルゴリズムを解析する。
  論文  参考訳（メタデータ） (2024-01-08T12:39:25Z)
• NCL++: Nested Collaborative Learning for Long-Tailed Visual Recognition [63.90327120065928]
  本研究では,Nested Collaborative Learning (NCL++)を提案する。 長期学習における協調学習を実現するために,バランスの取れたオンライン蒸留を提案する。 混乱するカテゴリにおける細かな識別能力を改善するために,さらにハードカテゴリーマイニングを提案する。
  論文  参考訳（メタデータ） (2023-06-29T06:10:40Z)
• Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased Scene Graph Generation [62.96628432641806]
  Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。 まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。 次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
  論文  参考訳（メタデータ） (2022-03-18T09:14:13Z)
• BERTERS: Multimodal Representation Learning for Expert Recommendation System with Transformer [2.131521514043068]
  エキスパートレコメンデーションシステム(BERTERS)のためのマルチモーダル分類手法を提案する。 BERTERS は Transformer (BERT) の双方向表現を用いてテキストをベクトルに変換する また、ExEmと呼ばれるグラフ表現技術を用いて、共著者ネットワークから候補の特徴を抽出する。
  論文  参考訳（メタデータ） (2020-06-30T12:30:16Z)

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。