面向协作式跨公司劳动力市场预测的收敛感知聚类联邦图学习框架
机器学习
2024-10-01 v1
摘要
关于人才需求和供给的劳动力市场预测对于企业管理和经济发展至关重要。借助准确及时的预测，雇主可以调整其招聘策略以适应不断变化的劳动力市场，员工也可以根据未来的供需情况进行主动的职业路径规划。然而，先前的研究忽略了不同公司和职位之间供需序列的相互关联性以预测变化。此外，由于担心损害竞争优势、安全威胁以及潜在的道德或法律违规，公司不愿共享其私有的人力资源数据用于全球劳动力市场分析。为此，在本文中，我们提出了联邦劳动力市场预测（FedLMF）问题，并设计了一个元个性化收敛感知聚类联邦学习（MPCAC-FL）框架，以隐私保护的方式提供准确及时的协作式人才需求和供给预测。首先，我们设计了一个基于图的序列模型来捕捉供需序列与公司-职位对之间的内在相关性。其次，我们采用元学习技术来学习可在公司间共享的有效初始模型参数，即使公司拥有异构数据，也能优化出针对特定公司供需预测的个性化模型。第三，我们设计了一种收敛感知聚类算法，根据模型相似性将公司动态分组，并在每组内应用联邦聚合。这样可以减轻异构性，实现更稳定的收敛和更好的性能。大量实验表明，MPCAC-FL在三个真实世界数据集上优于对比基线方法，并且在不暴露私有公司数据的情况下，达到了最先进模型DH-GEM超过97%的性能。
引用
@article{arxiv.2409.19545,
title = {Convergence-aware Clustered Federated Graph Learning Framework for Collaborative Inter-company Labor Market Forecasting},
author = {Zhuoning Guo and Hao Liu and Le Zhang and Qi Zhang and Hengshu Zhu and Hui Xiong},
journal= {arXiv preprint arXiv:2409.19545},
year = {2024}
}