論文の概要: Single-Token Expected-Value Scoring for Cold-Start Candidate Ranking

• arxiv url: http://arxiv.org/abs/2609.18188v1
• Date: Wed, 16 Sep 2026 06:25:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.668681
• Title: Single-Token Expected-Value Scoring for Cold-Start Candidate Ranking
• Title（参考訳）: コールドスタート候補ランキングのためのシングルトークン期待値スコアリング
• Abstract要約: 本稿では, 候補ジョブ関係を格付けトークン1, 5上の順序分類とし, 関連度スコアを第1の確率分布の期待値として読み取るランキングプリミティブを提案する。 最小言語モデル(SLM)を平均二乗誤差項を組み合わせたハイブリッド順序回帰損失で微調整する。 オンライン実験では、雇用者の低い関係を27.3%減らし、雇用者の保留率を7.07%引き上げている。
• 参考スコア（独自算出の注目度）: 37.59045211407079
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-assisted sourcing streamlines candidate review, reducing the administrative burden of manual screening for recruiters. However, deploying language models as production rankers remains challenging. Zero-shot Large Language Models (LLMs) may produce unstable, non-deterministic scores and rank less accurately, while conventional deep neural rankers require millions of logged interactions that a low-traffic, niche sourcing platform does not produce. What is available instead is a few hundred thousand ordinal relevance labels -- small by ranker-training standards, but sufficient when a pretrained language model already encodes the general world knowledge the task depends on. We present single-token expected-value scoring, a ranking primitive that casts candidate-job relevance as an ordinal classification over the grade tokens {1, ..., 5} and reads the relevance score as the expectation of the first-token probability distribution. Because the score comes from a single decoding step rather than open-ended generation, it is a deterministic function of the model's logits, requires no output parsing, and serves at low latency. To learn the non-linear interdependencies of heterogeneous hiring criteria from this supervision alone, we fine-tune a Small Language Model (SLM) with a hybrid ordinal regression loss combining a Mean Squared Error term, which preserves ordinal distance, with a categorical Cross-Entropy term, which sharpens class boundaries. We evaluate along two dimensions -- Jobseeker Relevance and Employer Relevance -- using NDCG@10 and low relevance rate. Offline, our fine-tuned model outperforms a heuristic baseline and zero-shot LLMs. An end-to-end simulation shows the same direction at larger magnitude (+54.2% Jobseeker NDCG@10, -46.7% low relevance rate), and a live online experiment reduces employer low-relevance by 27.3% and raises employer keep rate by 7.07%.
• Abstract（参考訳）: AI支援によるソーシングでは、候補レビューの合理化が図られ、採用担当者の手動スクリーニングの管理負担が軽減される。 しかし、言語モデルをプロダクションローダとしてデプロイすることは依然として困難である。 ゼロショット大言語モデル(LLMs)は不安定で非決定論的スコアを生成し、ランクの精度が低下する可能性があるが、従来のディープニューラルネットワークローダは、低トラフィックでニッチなソーシングプラットフォームが生成しない数百万のログ化されたインタラクションを必要とする。 しかし、事前訓練された言語モデルがすでにタスクが依存している一般的な世界の知識をコード化しているのに十分である。 本稿では,1次トークン {1, ..., 5} 上の順序分類として候補ジョブ関連性を示すランキングプリミティブであるシングルトーケン期待値スコアを,第1次確率分布の期待値として読み取る。 スコアは、オープンエンドジェネレーションではなく、単一のデコードステップに由来するため、モデルのロジットの決定論的関数であり、出力解析を必要とせず、低レイテンシで機能する。 本研究は, 階層境界を鋭くする分類的クロスエントロピー項を用いて, 平均二乗誤差項と平均二乗誤差項を組み合わせたハイブリッド順序回帰損失を伴う小言語モデル(SLM)を微調整する。 NDCG@10と低い関連率を用いて、雇用者関連と雇用者関連という2つの側面に沿って評価する。 オフラインでは、細調整されたモデルがヒューリスティックベースラインとゼロショットLLMより優れています。 エンド・ツー・エンドのシミュレーションでは、同じ方向(+54.2%Jobseeker NDCG@10, -46.7%low Relevance rate)を示し、オンラインのライブ実験では、雇用主の低い関係を27.3%削減し、雇用主の維持率を7.07%引き上げている。

関連論文リスト

• LLM Essay Scoring Under Holistic and Analytic Rubrics: Prompt Effects and Bias [3.9562034587217187]
  我々は、人間のコンセンサススコア、方向性バイアス、バイアス推定の安定性との一致を分析した。 我々は,グラマーやコンベンションなどの低次懸念(LOC)特性に対して,大規模かつ安定な負の方向性バイアスを観察する。 この分析は、LOCバイアスが極めて小さな検証セットでしばしば検出可能であることを示している。
  論文  参考訳（メタデータ） (2026-03-31T21:40:36Z)
• High-Fidelity Pruning for Large Language Models [10.13987648511885]
  大規模言語モデル(LLM)は、幅広いタスクにわたって例外的なパフォーマンスを示してきたが、その重要な計算とメモリ要件は、デプロイメントにおいて大きな課題を呈している。 本稿では,ニューロンの重要度を効率的に評価するために,モデル出力分布の簡易かつ効果的な情報エントロピー法を提案する。
  論文  参考訳（メタデータ） (2026-03-09T08:24:48Z)
• Semi-supervised Learning For Robust Speech Evaluation [30.593420641501968]
  音声評価は、自動モデルを用いて学習者の口頭習熟度を測定する。 本稿では,半教師付き事前学習と客観的正規化を活用することで,このような課題に対処することを提案する。 アンカーモデルは、発音の正しさを予測するために擬似ラベルを用いて訓練される。
  論文  参考訳（メタデータ） (2024-09-23T02:11:24Z)
• Bring Your Own Data! Self-Supervised Evaluation for Large Language Models [52.15056231665816]
  大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。 閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。 自己監督評価と人監督評価との間には強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-06-23T17:59:09Z)
• Language Models in the Loop: Incorporating Prompting into Weak Supervision [11.10422546502386]
  本稿では,ラベル付きトレーニングデータに制限がある場合に,大規模事前学習言語モデルを新しいタスクに適用するための新しい戦略を提案する。 典型的にゼロショットや少数ショットの方法でモデルを適用する代わりに、弱い監督フレームワークにおける関数のラベル付けの基盤としてモデルを扱います。
  論文  参考訳（メタデータ） (2022-05-04T20:42:40Z)
• ZeroBERTo -- Leveraging Zero-Shot Text Classification by Topic Modeling [57.80052276304937]
  本稿では、教師なしクラスタリングのステップを利用して、分類タスクの前に圧縮されたデータ表現を得る新しいモデルZeroBERToを提案する。 また,ZeroBERToは,FolhaUOLデータセットのF1スコアにおいて,XLM-Rを約12%上回り,長い入力と実行時間の短縮に優れた性能を示した。
  論文  参考訳（メタデータ） (2022-01-04T20:08:17Z)
• Few-shot Instruction Prompts for Pretrained Language Models to Detect Social Biases [55.45617404586874]
  我々は、事前訓練された言語モデル(LM)を誘導する数ショットの命令ベース手法を提案する。 大規模なLMは、微調整モデルとよく似た精度で、異なる種類の細粒度バイアスを検出できることを示す。
  論文  参考訳（メタデータ） (2021-12-15T04:19:52Z)
• Newer is not always better: Rethinking transferability metrics, their peculiarities, stability and performance [5.650647159993238]
  小さなカスタマイズされたデータセット上で、大規模で事前訓練された画像と言語モデルの微調整が人気を集めている。 共分散推定における統計的問題により,Hスコアの性能が低下することが示唆された。 そこで我々は,そのような設定における相対的精度に対する相関性能を補正し,評価することを推奨する。
  論文  参考訳（メタデータ） (2021-10-13T17:24:12Z)
• Ranking Creative Language Characteristics in Small Data Scenarios [52.00161818003478]
  DirectRankerを適用して、小さなデータでクリエイティブ言語をランク付けするための、新しいディープモデルを提供します。 スパーストレーニングデータを用いた実験により、標準的なニューラルネットワークのランク付け手法の性能は小さなデータセットで崩壊するが、DirectRankerは依然として有効であることがわかった。
  論文  参考訳（メタデータ） (2020-10-23T18:57:47Z)

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。