[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

A Multi-Stage Framework with Taxonomy-Guided Reasoning for Occupation Classification Using Large Language Models

Created by
  • Haebom

作者

Palakorn Achananuparp, Ee-Peng Lim, Yao Lu

概要

この論文は、税分類システムで標準化された職業で、作業データに自動的に注釈を付ける職業分類作業に焦点を当てます。データの不足と手動コメントの難しさが原因で、この作業が困難になっています。この研究は、大規模言語モデル(LLM)が膨大な世界知識と文脈内学習機能のために有望ですが、その効果は職業分類システムの知識に依存していることを指摘しています。したがって、LLMの正確な分類体系エンティティ生成能力を評価し、特に小規模モデルの限界を強調する。これらの問題を解決するために、推論、検索、および再順位付けステップで構成される多段階フレームワークを提案し、分類体系ベースの推論の例を統合し、分類体系の知識との整列を通じてパフォーマンスを向上させます。大規模なデータセットの評価の結果、提案されたフレームワークは、職業と技術の分類作業を向上させるだけでなく、GPT-4oなどの最先端のモデルに費用対効果の高い代替手段を提供し、強力なパフォーマンスを維持しながら計算コストを大幅に削減します。したがって、本研究は、様々なLLMにおける職業分類および関連作業に対する実用的で拡張可能な解決策を提供する。

Takeaways、Limitations

Takeaways:
LLMを用いた職業分類作業の効率性と精度向上の提案
提案されたマルチレベルフレームワークは、GPT-4oなどの高コストモデルに費用対効果の高い代替手段を提供します。
大規模データセットを用いた実験結果によるフレームワークの性能検証
さまざまなLLMに適用可能な拡張可能なソリューションを提供します。
Limitations:
小規模LLMの場合、パフォーマンスが低下する可能性があります。
提案されたフレームワークの性能は、使用される分類スキームの品質に依存し得る。
特定の言語または特定の職業分野の一般化の可能性に関するさらなる研究が必要
👍