Fugu-MT 論文翻訳(概要): Discovering Supply Chain Links with Augmented Intelligence

論文の概要: Discovering Supply Chain Links with Augmented Intelligence

arxiv url: http://arxiv.org/abs/2111.01878v1
Date: Tue, 2 Nov 2021 20:30:14 GMT
ステータス: 処理完了
システム内更新日: 2021-11-04 13:44:49.107072
Title: Discovering Supply Chain Links with Augmented Intelligence
Title（参考訳）: 強化されたインテリジェンスによるサプライチェーンリンクの発見
Authors: Achintya Gopal, Chunho Chang
Abstract要約: 本稿では、グラフニューラルネットワーク(GNN)を用いて、これまで知られていなかったサプライヤーや顧客を予測する問題に取り組む。我々は、我々のモデルの予測とサプライチェーンアナリストのドメインの専門知識を組み合わせることで、これまで未知のコネクションを見つける上で、強いパフォーマンスを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: One of the key components in analyzing the risk of a company is understanding a company's supply chain. Supply chains are constantly disrupted, whether by tariffs, pandemics, severe weather, etc. In this paper, we tackle the problem of predicting previously unknown suppliers and customers of companies using graph neural networks (GNNs) and show strong performance in finding previously unknown connections by combining the predictions of our model and the domain expertise of supply chain analysts.
Abstract（参考訳）: 企業のリスクを分析する上で重要な要素のひとつは、企業のサプライチェーンを理解することだ。サプライチェーンは、関税、パンデミック、厳しい天候などによって常に混乱している。本稿では,グラフニューラルネットワーク(gnns)を利用する企業の既知サプライヤと顧客を予測し,モデル予測とサプライチェーンアナリストのドメイン専門知識を組み合わせることにより,既知のコネクションの発見において強力な性能を示す。

関連論文リスト

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)
Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
論文参考訳（メタデータ） (2024-07-15T16:12:51Z)
Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
論文参考訳（メタデータ） (2024-03-11T21:54:52Z)
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)
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)
Will bots take over the supply chain? Revisiting Agent-based supply chain automation [71.77396882936951]
エージェントベースのサプライチェーンは2000年初頭から提案されている。エージェントベースの技術は成熟しており、サプライチェーンに浸透している他の支援技術はギャップを埋めている。例えば、IoTテクノロジのユビキティは、エージェントがサプライチェーンの状態を“理解”し、自動化のための新たな可能性を開くのに役立つ。
論文参考訳（メタデータ） (2021-09-03T18:44:26Z)
Data Considerations in Graph Representation Learning for Supply Chain Networks [64.72135325074963]
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。
論文参考訳（メタデータ） (2021-07-22T12:28:15Z)
Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
論文参考訳（メタデータ） (2021-07-22T02:16:09Z)
The challenges and realities of retailing in a COVID-19 world: Identifying trending and Vital During Crisis keywords during Covid-19 using Machine Learning (Austria as a case study) [0.0]
将来予測の監査は季節性を重視しているため、トレンドベースのベンチマークに対する予測を選択することが推奨されている。予測モデルは、サプライチェーン全体のエンドツーエンドのリアルタイム監視を提供する。
論文参考訳（メタデータ） (2021-05-10T18:31:45Z)

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。