DOI: https://doi.org/10.1007/s11704-025-50421-0
تاريخ النشر: 2026-01-13
المؤلف: Zhenyun Du
الموضوع الرئيسي: الذكاء الاصطناعي وتقنيات الموارد البشرية
نظرة عامة
في سياق اقتصاد المعرفة، تتناول هذه البحث العلاقة الحرجة بين مهارات العمل والراتب، مشددة على الحاجة إلى طرق فعالة للتنبؤ بالراتب تأخذ في الاعتبار التركيبة المعقدة للمهارات المنظمة. يحدد المؤلفون فجوة في الأساليب الحالية، التي غالبًا ما تتجاهل التأثيرات المعقدة لمجموعات المهارات على نتائج الرواتب. لمواجهة هذا التحدي، يقدمون LGDESetNet، وهو إطار عمل عصبي قائم على المجموعات قابل للتفسير بشكل جوهري مصمم لتوضيح كيفية تأثير تركيبات المهارات المختلفة على الراتب من وجهات نظر محلية وعالمية. يتضمن هذا الإطار طبقة اختيار مجموعة منفصلة معززة برسم بياني للمهارات لتحديد مجموعات المدخلات المؤثرة ذات الدلالات المتنوعة، إلى جانب طريقة تعلم نموذجية قائمة على المجموعات لاستخراج مجموعات المهارات النموذجية ذات الأهمية العالمية.
تظهر النتائج أن LGDESetNet لا يتفوق فقط على المعايير الحديثة في التنبؤ بالراتب عبر أربعة مجموعات بيانات من العالم الحقيقي، بل يوفر أيضًا رؤى قيمة حول أنماط تأثير الرواتب بواسطة مجموعات المهارات. إن شفافية النموذج في الكشف عن العلاقات الدلالية بين مجموعات المدخلات والنماذج العالمية تمثل تقدمًا كبيرًا في مجال الذكاء الاصطناعي القابل للتفسير لتنبؤ الرواتب. يتم دعم البحث من قبل عدة هيئات تمويل، بما في ذلك المؤسسة الوطنية للعلوم الطبيعية في الصين ومؤسسة العلوم الطبيعية في مقاطعة قوانغدونغ، مما يبرز أهميته الأكاديمية وتأثيره المحتمل على ممارسات التوظيف.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الدور الحاسم للمهارات في تحديد تعويضات العمل ضمن اقتصاد المعرفة. على الرغم من التقدم في التنبؤ بالرواتب بناءً على الوظائف والتركيبات السكانية، لا يزال النمذجة الفعالة للأنماط المؤثرة في الرواتب بناءً على تركيبات المهارات غير مستكشفة بشكل كافٍ. تنشأ التعقيدات من التوليفات الواسعة من المهارات المطلوبة لأدوار مختلفة، مما يتطلب تقنيات نمذجة متطورة. لقد حسنت التطورات الأخيرة في الشبكات العصبية، مثل DeepSets وSet Transformer، النمذجة القائمة على المجموعات ولكن تفتقر إلى القابلية للتفسير الجوهرية، مما يحد من الرؤى حول كيفية تأثير تركيبات المهارات على الرواتب.
لمعالجة هذه التحديات، يقترح المؤلفون شبكة LGDESetNet (شبكة تفكيك المجموعات المحلية والعالمية)، وهي نهج جديد يهدف إلى تقديم تنبؤات راتب قابلة للتفسير ودقيقة من خلال تفكيك مجموعات المهارات المؤثرة. تستخدم LGDESetNet إطار عمل قابل للاشتقاق من النهاية إلى النهاية يلتقط التأثيرات المحلية والعالمية لمجموعات المهارات من خلال طبقة اختيار مجموعة منفصلة وطرق تعلم نموذجية قائمة على المجموعات. يدمج النموذج معلومات سياق العمل الخارجي ويظهر أداءً متفوقًا في التنبؤ بالراتب والقابلية للتفسير من خلال تجارب واسعة على مجموعات بيانات من العالم الحقيقي. تشمل المساهمات الرئيسية تطوير نموذج مجموعة عميق قابل للتفسير الذاتي وتقنيات مبتكرة لقياس تأثير مجموعات المهارات على نتائج الرواتب.
طرق
في هذا القسم، يوضح المؤلفون منهجية LGDESetNet، وهو إطار عمل جديد مصمم لتعلم النماذج القائمة على المجموعات بكفاءة. تبدأ المناقشة بنظرة عامة على الهيكل، تليها تحليل شامل لكل وحدة وإجراءات التدريب المستخدمة. يؤكد المؤلفون على أهمية هذه المكونات في تعزيز أداء النموذج في مهام التنبؤ بالراتب.
تشمل إعدادات التجربة مقارنة LGDESetNet مع عدة نماذج حديثة للتنبؤ بالراتب، مثل HSBMF وSSCN وNDP-JSB، التي تستخدم تقنيات متقدمة متنوعة مثل الأساليب البايزية والشبكات العصبية لتحليل إعلانات الوظائف. بالإضافة إلى ذلك، يقارن المؤلفون LGDESetNet مع نماذج قابلة للتفسير الذاتي لنمذجة المجموعات، بما في ذلك Set-Tree وSESM وProtoPNet وTesNet وProtoConcepts. من الجدير بالذكر أن المؤلفين يبرزون التحديات التي تطرحها الطبيعة المنفصلة وغير المرتبة لبيانات المجموعات، مما يمنع التطبيق المباشر لبعض النماذج. للتغلب على هذه القيود، يدمجون إطار عمل DeepSets وطريقة دمج المعلومات الخارجية داخل LGDESetNet، مما يضمن مقارنة عادلة عبر جميع النماذج التي تم تقييمها.
مناقشة
في قسم المناقشة من الورقة، يصنف المؤلفون الأعمال ذات الصلة إلى ثلاثة مجالات رئيسية: التنبؤ بالراتب القائم على البيانات، نمذجة المجموعات، وقابلية تفسير الشبكات العصبية. يبرزون التحديات في التنبؤ الكمي بالراتب على الرغم من التقدم في تقنيات التعلم الآلي، مثل آلات الدعم الناقل وأساليب تحليل المصفوفات. يميز المؤلفون دراستهم من خلال التركيز على تأثير تركيبة المهارات على رواتب العمل واقتراح نموذج مجموعة عميق قابل للتفسير الذاتي يأخذ في الاعتبار التأثيرات المحلية والعالمية لسياق العمل.
يتناول القسم أيضًا نمذجة المجموعات، مشددًا على قيود الأساليب الحالية للشبكات العصبية في التعامل مع المدخلات غير المرتبة ذات الهيكل الجماعي. يشير المؤلفون إلى أطر بارزة مثل DeepSets وSet-Tree، التي تقدم تفسيرات قائمة على الحالة ولكن تفتقر إلى رؤى شاملة حول عملية النمذجة القائمة على المجموعات. يهدف نهجهم إلى تقديم تفسيرات محلية متعددة الأبعاد وأمثلة نموذجية عالمية، مما يعزز قابلية تفسير النموذج.
أخيرًا، يناقش المؤلفون قابلية تفسير الشبكات العصبية، مميزين بين الأساليب اللاحقة والنماذج القابلة للتفسير الذاتي التي تستفيد من آليات التنظيم والانتباه. يشيرون إلى المجال غير المستكشف لشرح عمليات النمذجة القائمة على المجموعات ويؤكدون تركيزهم على تفكيك وعلاقات النمذجة بين كيانات المجموعة، وهو أمر حاسم لفهم ديناميات التنبؤ بالراتب القائم على المهارات. بشكل عام، يضع المؤلفون عملهم كخطوة كبيرة إلى الأمام في تقاطع التنبؤ بالراتب، نمذجة المجموعات، وقابلية التفسير في الشبكات العصبية.
DOI: https://doi.org/10.1007/s11704-025-50421-0
Publication Date: 2026-01-13
Author(s): Zhenyun Du
Primary Topic: AI and HR Technologies
Overview
In the context of the knowledge economy, this research addresses the critical relationship between job skills and salary, emphasizing the need for effective salary prediction methods that account for the complex composition of structured skills. The authors identify a gap in existing approaches, which often overlook the intricate effects of skill sets on salary outcomes. To tackle this challenge, they introduce LGDESetNet, an intrinsically explainable set-based neural prototyping framework designed to elucidate how various skill compositions influence salary from both local and global perspectives. This framework incorporates a skill graph-enhanced disentangled discrete subset selection layer to identify influential input subsets with diverse semantics, alongside a set-oriented prototype learning method to extract globally significant prototypical skill sets.
The findings demonstrate that LGDESetNet not only outperforms state-of-the-art baselines in salary prediction across four real-world datasets but also provides valuable insights into the patterns of salary influence by skill sets. The model’s transparency in revealing the semantic relationships between input subsets and global prototypes marks a significant advancement in the field of explainable AI for salary prediction. The research is supported by various funding bodies, including the National Natural Science Foundation of China and the Natural Science Foundation of Guangdong Province, highlighting its academic significance and potential impact on recruitment practices.
Introduction
The introduction of the research paper highlights the critical role of skills in determining job compensation within the knowledge economy. Despite advancements in predicting salaries based on job positions and demographics, effective modeling of salary-influencing patterns based on skill compositions remains underexplored. The complexity arises from the vast combinations of skills required for different roles, necessitating sophisticated modeling techniques. Recent developments in neural networks, such as DeepSets and Set Transformer, have improved set-based modeling but lack intrinsic explainability, limiting insights into how skill compositions affect salaries.
To address these challenges, the authors propose the Local-Global Subset DisEntangling Set Network (LGDESetNet), a novel approach that aims to provide explainable and accurate salary predictions by disentangling influential skill sets. LGDESetNet employs a differentiable end-to-end framework that captures both local and global influences of skill subsets through a disentangled discrete subset selection layer and a set-oriented prototype learning method. The model integrates external job context information and demonstrates superior performance in salary prediction and explainability through extensive experiments on real-world datasets. Key contributions include the development of a self-explainable deep set model and innovative techniques for quantifying the impact of skill sets on salary outcomes.
Methods
In this section, the authors detail the methodology of LGDESetNet, a novel framework designed for efficient set-oriented prototype learning. The discussion begins with an overview of the architecture, followed by a comprehensive breakdown of each module and the training procedures employed. The authors emphasize the importance of these components in enhancing the model’s performance in salary prediction tasks.
The experimental setup includes a comparison of LGDESetNet against several state-of-the-art salary prediction models, such as HSBMF, SSCN, and NDP-JSB, which utilize various advanced techniques like Bayesian approaches and neural networks to analyze job postings. Additionally, the authors benchmark LGDESetNet against self-explainable models for set modeling, including Set-Tree, SESM, ProtoPNet, TesNet, and ProtoConcepts. Notably, the authors highlight the challenges posed by the discrete and unordered nature of set data, which precludes the direct application of certain models. To overcome this limitation, they incorporate the DeepSets framework and an external information fusion method within LGDESetNet, ensuring a fair comparison across all evaluated models.
Discussion
In the discussion section of the paper, the authors categorize related work into three main areas: data-driven salary prediction, set modeling, and neural network explainability. They highlight the challenges in quantitative salary prediction despite advancements in machine learning techniques, such as Support Vector Machines and matrix factorization approaches. The authors differentiate their study by focusing on the skill composition’s effect on job salaries and proposing a self-explainable deep set model that accounts for both local and global job context influences.
The section also addresses set modeling, emphasizing the limitations of existing neural network methods in handling unordered set-structured inputs. The authors reference notable frameworks like DeepSets and Set-Tree, which provide instance-wise explanations but lack comprehensive insights into the set-based modeling process. Their approach aims to offer multi-faceted local explanations and global prototypical examples, enhancing the interpretability of the model.
Lastly, the authors discuss neural network explainability, contrasting post-hoc methods with self-explainable models that leverage regularization and attention mechanisms. They note the underexplored area of explaining set-based modeling processes and emphasize their focus on disentangling and prototyping relationships among set entities, which is crucial for understanding the dynamics of skill-based salary predictions. Overall, the authors position their work as a significant advancement in the intersection of salary prediction, set modeling, and explainability in neural networks.