論文の概要: Data Considerations in Graph Representation Learning for Supply Chain Networks

• arxiv url: http://arxiv.org/abs/2107.10609v1
• Date: Thu, 22 Jul 2021 12:28:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-23 12:50:40.837420
• Title: Data Considerations in Graph Representation Learning for Supply Chain Networks
• Title（参考訳）: サプライチェーンネットワークのためのグラフ表現学習におけるデータ考察
• Authors: Ajmal Aziz, Edward Elson Kosasih, Ryan-Rhys Griffiths, Alexandra Brintrup
• Abstract要約: 本稿では,隠れた依存関係リンクを明らかにするためのグラフ表現学習手法を提案する。 本稿では,グローバルな自動車サプライチェーンネットワークのリンク予測における最先端の性能向上を実証する。
• 参考スコア（独自算出の注目度）: 64.72135325074963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supply chain network data is a valuable asset for businesses wishing to understand their ethical profile, security of supply, and efficiency. Possession of a dataset alone however is not a sufficient enabler of actionable decisions due to incomplete information. In this paper, we present a graph representation learning approach to uncover hidden dependency links that focal companies may not be aware of. To the best of our knowledge, our work is the first to represent a supply chain as a heterogeneous knowledge graph with learnable embeddings. We demonstrate that our representation facilitates state-of-the-art performance on link prediction of a global automotive supply chain network using a relational graph convolutional network. It is anticipated that our method will be directly applicable to businesses wishing to sever links with nefarious entities and mitigate risk of supply failure. More abstractly, it is anticipated that our method will be useful to inform representation learning of supply chain networks for downstream tasks beyond link prediction.
• Abstract（参考訳）: サプライチェーンネットワークデータは、倫理的プロファイル、サプライのセキュリティ、効率性を理解したい企業にとって貴重な資産である。 しかし、データセットだけでは、不完全な情報のために実行可能な決定を可能にするには十分ではない。 本稿では,focal社では認識できないような隠れた依存関係リンクを明らかにするためのグラフ表現学習手法を提案する。 私たちの知る限りでは、学習可能な埋め込みを持つ異種知識グラフとしてサプライチェーンを表現するのは、私たちの仕事が初めてです。 本稿では,リレーショナルグラフ畳み込みネットワークを用いたグローバルな自動車サプライチェーンネットワークのリンク予測における最先端の性能向上を実証する。 本手法は,不正な組織とのリンクを遮断し,供給不全のリスクを軽減したい企業に直接適用することが期待されている。 より抽象的に,本手法は,リンク予測を超えた下流タスクにおけるサプライチェーンネットワークの表現学習に有用であることが期待される。

関連論文リスト

• Supply Chain Network Extraction and Entity Classification Leveraging Large Language Models [5.205252810216621]
  我々は,大規模言語モデル(LLM)を用いた土木分野向けサプライチェーングラフを開発する。 LLMを微調整してサプライチェーングラフ内のエンティティを分類し、それらの役割と関係に関する詳細な洞察を提供する。 我々の貢献には、土木分野向けのサプライチェーングラフの開発や、サプライチェーンネットワークのエンティティ分類と理解を強化する微調整LCMモデルなどが含まれます。
  論文  参考訳（メタデータ） (2024-10-16T21:24:13Z)
• Enhancing Supply Chain Visibility with Knowledge Graphs and Large Language Models [49.898152180805454]
  本稿では,サプライチェーンの可視性を高めるために,知識グラフ(KG)と大規模言語モデル(LLM)を活用した新しいフレームワークを提案する。 我々のゼロショットLPM駆動アプローチは、様々な公共情報源からのサプライチェーン情報の抽出を自動化する。 NERとREタスクの精度が高く、複雑な多層供給ネットワークを理解する効果的なツールを提供する。
  論文  参考訳（メタデータ） (2024-08-05T17:11:29Z)
• Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
  グラフニューラルネットワーク(GNN)は、モデル精度を高めるために帰納バイアスとしてリレーショナル情報を使用する。 課題関連関係が不明なため,下流予測タスクを解きながら学習するためのグラフ構造学習手法が提案されている。
  論文  参考訳（メタデータ） (2024-05-30T10:49:22Z)
• HKTGNN: Hierarchical Knowledge Transferable Graph Neural Network-based Supply Chain Risk Assessment [3.439495194421287]
  階層的な知識伝達可能なグラフニューラルネットワーク(HKTGNN)サプライチェーンリスク評価モデルを提案する。 グラフ埋め込みモジュールを用いて,個々の商品に対応するサプライチェーンネットワークをサプライチェーンに埋め込む。 我々のモデルは実世界のサプライチェーンデータセットの実験において優れています。
  論文  参考訳（メタデータ） (2023-11-07T00:54:04Z)
• CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
  信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。 本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。 セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
  論文  参考訳（メタデータ） (2023-08-17T13:07:09Z)
• A Knowledge Graph Perspective on Supply Chain Resilience [15.028130016717773]
  世界的な危機と規制の進展はサプライチェーンの透明性とレジリエンスを高める必要がある。 サプライチェーンに関する情報、特により深いレベルでは、しばしば不透明で不完全である。 異なるデータソースを接続することにより、サプライネットワークを知識グラフとしてモデル化し、ティア3サプライヤーへの透明性を実現する。
  論文  参考訳（メタデータ） (2023-05-15T10:14:30Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• Explainable Link Prediction for Emerging Entities in Knowledge Graphs [44.87285668747474]
  クロスドメイン知識グラフは固有の不完全性と疎性に悩まされる。 リンク予測は、ソースエンティティとクエリ関係が与えられたターゲットエンティティを推論することで、これを緩和することができる。 本稿では,未確認なエンティティの表現を学習可能な帰納的表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-01T22:17:37Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。