論文の概要: Disruption Detection for a Cognitive Digital Supply Chain Twin Using Hybrid Deep Learning

• arxiv url: http://arxiv.org/abs/2309.14557v1
• Date: Mon, 25 Sep 2023 22:03:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-27 15:36:27.153026
• Title: Disruption Detection for a Cognitive Digital Supply Chain Twin Using Hybrid Deep Learning
• Title（参考訳）: ハイブリッドディープラーニングを用いた認知的デジタルサプライチェーン双生児の破壊検出
• Authors: Mahmoud Ashraf, Amr Eltawil, Islam Ali
• Abstract要約: 新型コロナウイルスやロシア・ウクライナ紛争などの最近の破壊的な出来事は、世界的なサプライチェーンに大きな影響を与えた。 本稿では,認知デジタルサプライチェーンツインフレームワークにおける破壊検出のためのハイブリッドディープラーニング手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Recent disruptive events, such as COVID-19 and Russia-Ukraine conflict, had a significant impact of global supply chains. Digital supply chain twins have been proposed in order to provide decision makers with an effective and efficient tool to mitigate disruption impact. Methods: This paper introduces a hybrid deep learning approach for disruption detection within a cognitive digital supply chain twin framework to enhance supply chain resilience. The proposed disruption detection module utilises a deep autoencoder neural network combined with a one-class support vector machine algorithm. In addition, long-short term memory neural network models are developed to identify the disrupted echelon and predict time-to-recovery from the disruption effect. Results: The obtained information from the proposed approach will help decision-makers and supply chain practitioners make appropriate decisions aiming at minimizing negative impact of disruptive events based on real-time disruption detection data. The results demonstrate the trade-off between disruption detection model sensitivity, encountered delay in disruption detection, and false alarms. This approach has seldom been used in recent literature addressing this issue.
• Abstract（参考訳）: 目的: 新型コロナウイルスやロシア・ウクライナ紛争などの近年の破壊的な出来事は、世界的なサプライチェーンに大きな影響を及ぼした。 ディジタルサプライチェーン双生児は、破壊的影響を軽減するための効率的かつ効率的なツールを意思決定者に提供するために提案されている。 方法:本論文では,サプライチェーンのレジリエンスを高めるための,認知デジタルサプライチェーンツインフレームワーク内での破壊検出のためのハイブリッドディープラーニング手法を提案する。 提案する破壊検出モジュールは、深層オートエンコーダニューラルネットワークと1クラスサポートベクターマシンアルゴリズムを組み合わせたものである。 さらに,破壊エシュロンを識別し,破壊効果から回復までの時間を予測するために,短期記憶型ニューラルネットワークモデルを開発した。 結果:提案手法から得られた情報により,意思決定者やサプライチェーン実践者が,リアルタイム破壊検出データに基づく破壊事象の負の影響を最小限に抑えるための適切な意思決定を支援する。 その結果,破壊検出モデルの感度,破壊検出の遅延と誤報とのトレードオフが示された。 このアプローチは、この問題に対処する最近の文献ではほとんど使われていない。

関連論文リスト

• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• A Dual Power Grid Cascading Failure Model for the Vulnerability Analysis [5.262076997375719]
  電力グリッドカスケード故障(PGCF)の最重要ないし脆弱な送電線を見つけるという問題は、研究会から多くの注目を集めている。 電力グリッドの脆弱性を分析することを目的とした多くの決定論的解と近似アルゴリズムが存在する。 本稿では,トランスフォーマーモデルにインスパイアされた注意機構を用いて,そのような相関関係を学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-18T15:04:44Z)
• Temporal Decisions: Leveraging Temporal Correlation for Efficient Decisions in Early Exit Neural Networks [4.343246899774834]
  本稿では,早期排他ニューラルネットワークの決定機構としての差分検出と時間パタンスについて述べる。 健康モニタリング、画像分類、ウェイクワード検出タスクにおけるそれらの効果を評価する。 推定平均演算を最大80%削減し,元のモデルの5%以内の精度を維持した。
  論文  参考訳（メタデータ） (2024-03-12T08:28:27Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)
• Inter-Domain Fusion for Enhanced Intrusion Detection in Power Systems: An Evidence Theoretic and Meta-Heuristic Approach [0.0]
  ICSネットワークにおけるIDSによる不正な警告は、経済的および運用上の重大な損害をもたらす可能性がある。 本研究は,CPS電力系統における誤警報の事前分布を伴わずに不確実性に対処し,誤警報を低減する手法を提案する。
  論文  参考訳（メタデータ） (2021-11-20T00:05:39Z)
• Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
  ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。 本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。 画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-06-18T16:34:23Z)
• DNS Covert Channel Detection via Behavioral Analysis: a Machine Learning Approach [0.09176056742068815]
  本稿では,ネットワーク監視システムから受動的に抽出されたDNSネットワークデータの解析に基づいて,効果的な隠蔽チャネル検出手法を提案する。 提案手法は15日間の実験実験で評価され,最も関連する流出・トンネル攻撃をカバーするトラフィックを注入した。
  論文  参考訳（メタデータ） (2020-10-04T13:28:28Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Derivation of Information-Theoretically Optimal Adversarial Attacks with Applications to Robust Machine Learning [11.206758778146288]
  決定システムに対する最適な敵攻撃を設計する理論的問題を考察する。 興味の離散的かつ連続的な信号に対する最適な敵攻撃の導出について述べる。 入力信号の重複コピーが複数用意されている場合、相互情報の最小化のために敵攻撃を行うのは非常に困難であることを示す。
  論文  参考訳（メタデータ） (2020-07-28T07:45:25Z)
• Learn2Perturb: an End-to-end Feature Perturbation Learning to Improve Adversarial Robustness [79.47619798416194]
  Learn2Perturbは、ディープニューラルネットワークの対角的堅牢性を改善するために、エンドツーエンドの機能摂動学習アプローチである。 予測最大化にインスパイアされ、ネットワークと雑音パラメータを連続的にトレーニングするために、交互にバックプロパゲーショントレーニングアルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-03-02T18:27:35Z)

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。