[論文レビュー] Making the Cut: A Bandit-based Approach to Tiered Interviewing

Candice Schumann, Zhi Lang+2 more|arXiv (Cornell University)|Jun 1, 2019

Advanced Bandit Algorithms Research被引用数 2

ひとこと要約

この論文は、逐次的でコストの高い履歴書スクリーニング、電話面接、対面面接を組み合わせ純粋探索問題としてモデル化する、バンドイットベースのアプローチを提案している。これは確率的マルチアームバンディットにおける組み合わせ純粋探索問題として定式化される。新しいPACおよび固定予算アルゴリズムを導入し、近似的に最適な応募者集団を、保証付きで選択する。実際の米国大手コンピュータサイエンス大学院のデータを用いたシミュレーションでは、現行手法を上回る性能を示した。

ABSTRACT

Given a huge set of applicants, how should a firm allocate sequential resume screenings, phone interviews, and in-person site visits? In a tiered interview process, later stages (e.g., in-person visits) are more informative, but also more expensive than earlier stages (e.g., resume screenings). Using accepted hiring models and the concept of structured interviews, a best practice in human resources, we cast tiered hiring as a combinatorial pure exploration (CPE) problem in the stochastic multi-armed bandit setting. The goal is to select a subset of arms (in our case, applicants) with some combinatorial structure. We present new algorithms in both the probably approximately correct (PAC) and fixed-budget settings that select a near-optimal cohort with provable guarantees. We show via simulations on real data from one of the largest US-based computer science graduate programs that our algorithms make better hiring decisions or use less budget than the status quo.

研究の動機と目的

• 大規模な応募者プールにおける、逐次的で高コストな採用段階への限られたリソースの効率的配分という課題に対処すること。
• 段階的面接プロセスを、確率的マルチアームバンディットフレームワークにおける組み合わせ純粋探索（CPE）問題としてモデル化すること。
• PACおよび固定予算設定下での近似的に最適な応募者サブセットの選択に理論的保証を備えた新しいアルゴリズムを開発すること。
• 従来の逐次的スクリーニング手法と比較して、採用の質を向上させたり、コストを削減したりすること。

提案手法

• 著者らは、各応募者を確率的マルチアームバンディット設定におけるアームとしてモデル化し、後続の段階（例：対面面接）はより高い情報量を提供するが、コストも高くなるとみなす。
• 採用プロセスを、最適な集団的パフォーマンスを示すアーム（応募者）のサブセットを特定することを目的とする組み合わせ純粋探索（CPE）問題として定式化する。
• おそらく近似的に正しい（PAC）および固定予算設定の両方の新しいアルゴリズムを提案し、近似的に最適な応募者集団を高確率で特定することを保証する。
• アルゴリズムは構造化された面接原則を組み込み、情報量の増加に従って段階間での順次的リソース配分をガイドする。
• バンドイット文献からの理論的境界を活用し、標本効率を確保するとともに、近似的に最適な選択へ収束することを保証する。
• 大規模な米国コンピュータサイエンス大学院の実データを用いたシミュレーションにより、ベースライン手法との性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 企業は、費用制約のもとで採用の質を最大化するために、逐次的で段階的な面接段階へのリソースを最適にどのように配分すべきか。
• RQ2 コストを最小限に抑えつつ高い選択精度を維持するための、応募者プールの効率的探索を可能にするアルゴリズムフレームワークは何か。
• RQ3 マルチアームバンディットにおける組み合わせ純粋探索アプローチは、実世界の採用シナリオで従来の逐次的スクリーニングを上回るか。
• RQ4 段階的採用プロセスにおいて、近似的に最適な応募者集団の選択に対してどのような理論的保証を提供できるか。

主な発見

• 提案されたアルゴリズムは、米国大手コンピュータサイエンス大学院の実データを用いたシミュレーションにおいて、現行手法を上回る採用意思決定を達成した。
• アルゴリズムは、選択の質を維持または向上させながら、必要な予算を削減し、コスト効率の良さを示した。
• PACおよび固定予算バージョンの両方が、近似的に最適な応募者集団を特定する上で保証付きの性能を提供した。
• バンドイットベースのアプローチは、段階間での情報量の増加に基づいてリソースを動的に配分するため、標準的な逐次的スクリーニングを上回った。
• シミュレーションでは、コストと情報量が異なる多段階採用プロセスにおいて、探索と活用のバランスを効果的にとることができた。
• バンドイットフレームワーク内に構造化された面接原則を組み込むことで、選考プロセスの信頼性と公平性が向上した。