論文の概要: Building Interpretable Feature Representations for Resume-Vacancy Matching by Distilling Production LLM Signals
- arxiv url: http://arxiv.org/abs/2610.03112v1
- Date: Fri, 02 Oct 2026 10:30:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.328342
- Title: Building Interpretable Feature Representations for Resume-Vacancy Matching by Distilling Production LLM Signals
- Title（参考訳）: 製造LLM信号の蒸留による残差マッチングのための解釈可能な特徴表現
- Abstract要約: 本稿では,候補の空白度に適合する2段階のアプローチを提案する。
1つ目はLSMベースのラベルで、プロンプトと特徴定義は採用者のフィードバックから洗練され、初期のプロダクションマッチングステージとして機能した。
2つ目は、LoRA対応の埋め込みバックボーンで、CPU上で動作し、すべてのオンラインリクエストを処理する。
- 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: Matching candidates to vacancies is central to recruitment, and a recruiter needs to see why a candidate fits, not only a single opaque relevance score. We provide this evidence as named, interpretable matching dimensions recruiters can act on - eight in our current deployment. We propose a two-part approach. The first is an LLM-based labeler whose prompts and feature definitions were refined from recruiter feedback while it served as an earlier production matching stage. In the current architecture, it is used only for offline labeling and is not called on online requests. The second is a feature bi-encoder distilled from it: a LoRA-adapted embedding backbone with compact per-dimension heads that runs on CPU and serves all online requests. Both parts keep improving: prompts are revised as feedback arrives, and the bi-encoder is retrained on the updated labels. The model is trained on 168,772 labeled vacancy-resume pairs (17,921 vacancies and 180,030 resumes). Recruiters using the service can confirm or revise surfaced feature predictions. On 927 recruiter-recorded values from this selected production-feedback subset, the deployed student agrees with the recorded decisions in 888 cases (95.79%). This is operational, non-blinded agreement rather than an independent human evaluation.
- Abstract（参考訳）: 候補者をバケーシーにマッチさせることは採用の中心であり、採用者は候補者が適合する理由を知る必要がある。
私たちはこのエビデンスを、採用担当者が実行可能な、名前付き、解釈可能な整合性ディメンションとして、現在のデプロイメントで8つ提供します。
二つのアプローチを提案する。
1つ目はLSMベースのラベルであり、プロンプトと特徴定義は、初期のプロダクションマッチングステージとして機能している間にリクルーターからのフィードバックから洗練されている。
現在のアーキテクチャでは、オフラインラベリングにのみ使用され、オンライン要求では呼び出されない。
2つ目は、LoRA対応の埋め込みバックボーンで、CPU上で動作し、すべてのオンラインリクエストを処理する。
フィードバックが到着するとプロンプトが修正され、バイエンコーダが更新されたラベルで再トレーニングされる。
このモデルは168,772個のラベル付き空き容量対 (17,921個の空き容量と180,030個の履歴書)で訓練されている。
このサービスを利用するリクルーターは、表面的特徴予測を確認または修正することができる。
この選択された生産フィードバックサブセットから927人の採用者が記録した値について、デプロイされた学生は888のケース(95.79%)で記録された決定に同意している。
これは、独立した人的評価ではなく、運用上、非盲目的な合意である。
関連論文リスト
- Student-Guided Teacher Distillation for Efficient LLM Task Routing: Positioning Against Jev-Style System-1 Classifiers [8.930854893959594]
本研究では,60 LLMタスクカテゴリーの定型分類のための学生指導型蒸留パイプラインについて検討した。
コンパクトなModernBERT分類器は、1つのフォワードパスにおける全カテゴリ分布を予測し、小さなトップk候補セットを検索する。
より大きなDeBERTa-v3ゼロショットのNLI分類器は、60ラベルすべてではなく、これらの候補のみをリランクする。
論文 参考訳（メタデータ） (2026-10-01T21:38:11Z) - TraceDance: An Automated System for Building Agent Behavior Benchmarks from Real-World Agent Deployment Traces [49.561879967469714]
TraceDanceは、ユーザが指定した望ましくない振る舞いのデプロイメントトレースからターゲットベンチマークを構築するエージェントシステムである。
効率的な構築のために、Anchor-and-Confirmはプログラム可能な検索と、Flash大言語モデルによる候補レベルの確認を組み合わせる。
コーディングと一般的なツールの実験では、252,557のセッションで描画され、ビルドターゲット要求の95.3%を満たす4,125のインスタンスで107のベンチマークを生成する。
論文 参考訳（メタデータ） (2026-09-27T06:58:39Z) - CALLIOPE: A Source-Grounded Oral Assessment System and Synthetic Readiness Evaluation [0.0]
CALLIOPEは、バージョン付き指導資料、学習者のターン記録と書き起こし、適応的質問、二者評価、教育者レビュー、輸出可能な証拠を統合する、ソース・グラウンドド・オーラルアセスメントシステムである。
本技術報告では,CALLIOPEについて述べる。CALLIOPEは,バージョン付き指導資料,学習者ターン記録と転写,適応的質問,2段階のスコアリング,教育者レビュー,輸出可能なエビデンスを統合した,ソースグラウンドによる口頭評価システムである。
論文 参考訳（メタデータ） (2026-09-25T12:01:25Z) - NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness [76.6324710887112]
NeoHorse-1は、エージェントのポストトレーニングを通じてこの経路を探索するために開発されたエージェントネイティブモデルのファミリーである。
本システムでは,異種モデルプールとインテリジェントなルーティング,予測能力要求,選択されたサービス層,およびその後のユーザ毎のインタラクションを結合する。
論文 参考訳（メタデータ） (2026-09-08T03:14:54Z) - Style over Substance: A Shortcut Audit of Emotion-Description Preference Evaluation [18.639828982880108]
コンテントブレンドプローブを用いてEmoPreferの系統的ショートカット監査を行う。
記述長とジェネレータの同一性のみを用いた単純なロジスティック回帰は、LoRAに精細化された7Bテキストとオーディオ視覚的判断に相容れない。
結果は、人間の嗜好が本質的にスタイリスティックであることや、記述に感情的な情報がないことを示唆していない。
論文 参考訳（メタデータ） (2026-07-20T21:05:08Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents [57.240036084348354]
本稿では,ロボットスキルコントラクトの検証誘導自己進化のためのフレームワークであるVASOを紹介する。
VASOは論理的に一貫性のないスキル契約を検証し、グローバルおよびローカルな時間的仕様に対してスキルによって誘発される計画を検証する。
Clearpath Jackal と PX4 のクアッドコプタータスクでは、VASO は100点未満の最適化サンプルを使用して97.2% の形式的な仕様準拠に達した。
論文 参考訳（メタデータ） (2026-06-03T20:02:35Z) - SkillDAG: Self-Evolving Typed Skill Graphs for LLM Skill Selection at Scale [54.70985426016736]
本稿では,スキル間関係を型付き有向グラフとしてモデル化したSkillDAGを提案する。
各検索はベクトルマッチング、型付きエッジ隣人、競合信号を返す。
ALFWorldとSkillsBench with MiniMax-M2.7では、SkillDAGは67.1%の成功と27.3%の報酬を得た。
論文 参考訳（メタデータ） (2026-06-02T02:45:21Z) - A Rubric-Supervised Critic from Sparse Real-World Outcomes [87.11204512676193]
現実のコーディングエージェントは、成功信号がノイズが多く、遅延し、スパースであるループで人間と動作します。
本稿では,RLに基づくトレーニングや推論時間スケーリングの報奨モデルとして,スパースとノイズの相互作用データから"批判的"モデルを学習するプロセスを提案する。
論文 参考訳（メタデータ） (2026-03-04T07:23:54Z) - DETOUR: An Interactive Benchmark for Dual-Agent Search and Reasoning [2.0329381271887255]
本稿では,1011のプロンプトを含むデュアルエージェント評価ベンチマークであるDETOUR(Obscure Under-specified Retrieval)を提案する。
以上の結果から,現在の最先端モデルではベンチマークに苦戦しており,すべてのモダリティで評価した場合の精度は36%に過ぎなかった。
論文 参考訳（メタデータ） (2026-01-30T22:01:30Z)
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。