論文の概要: HKTGNN: Hierarchical Knowledge Transferable Graph Neural Network-based
Supply Chain Risk Assessment
- arxiv url: http://arxiv.org/abs/2311.04244v1
- Date: Tue, 7 Nov 2023 00:54:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-09 18:22:39.967071
- Title: HKTGNN: Hierarchical Knowledge Transferable Graph Neural Network-based
Supply Chain Risk Assessment
- Title(参考訳): HKTGNN:階層的知識伝達可能なグラフニューラルネットワークに基づくサプライチェーンリスクアセスメント
- Authors: Zhanting Zhou, Kejun Bi, Yuyanzhen Zhong, Chao Tang, Dongfen Li, Shi
Ying, Ruijin Wang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.439495194421287
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The strength of a supply chain is an important measure of a country's or
region's technical advancement and overall competitiveness. Establishing supply
chain risk assessment models for effective management and mitigation of
potential risks has become increasingly crucial. As the number of businesses
grows, the important relationships become more complicated and difficult to
measure. This emphasizes the need of extracting relevant information from graph
data. Previously, academics mostly employed knowledge inference to increase the
visibility of links between nodes in the supply chain. However, they have not
solved the data hunger problem of single node feature characteristics. We
propose a hierarchical knowledge transferable graph neural network-based
(HKTGNN) supply chain risk assessment model to address these issues. Our
approach is based on current graph embedding methods for assessing corporate
investment risk assessment. We embed the supply chain network corresponding to
individual goods in the supply chain using the graph embedding module,
resulting in a directed homogeneous graph with just product nodes. This reduces
the complicated supply chain network into a basic product network. It addresses
difficulties using the domain difference knowledge transferable module based on
centrality, which is presented by the premise that supply chain feature
characteristics may be biased in the actual world. Meanwhile, the feature
complement and message passing will alleviate the data hunger problem, which is
driven by domain differences. Our model outperforms in experiments on a
real-world supply chain dataset. We will give an equation to prove that our
comparative experiment is both effective and fair.
- Abstract(参考訳): サプライチェーンの強さは、国または地域の技術的進歩と全体的な競争力の重要な指標である。
リスクの効果的な管理と緩和のためのサプライチェーンリスクアセスメントモデルの構築がますます重要になっている。
企業数が増えるにつれて、重要な関係はより複雑で測定が困難になる。
これは、グラフデータから関連する情報を抽出する必要性を強調する。
以前は、サプライチェーン内のノード間のリンクの可視性を高めるために、主に知識推論を用いていた。
しかし、単一ノードの特徴特性に関するデータ飢餓問題は解決されていない。
本稿では,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。
当社のアプローチは、企業投資リスク評価のための現在のグラフ埋め込み手法に基づいている。
我々は,サプライチェーン内の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グラフ埋め込みモジュールを用いて組み込む。
これにより、複雑なサプライチェーンネットワークを基本製品ネットワークに縮小する。
中心性に基づくドメイン差分知識伝達可能なモジュールの使用の難しさに対処し、サプライチェーンの特徴が現実の世界に偏っているという前提で提示される。
一方、機能補完とメッセージパッシングは、ドメインの違いによって引き起こされるデータ飢餓の問題を軽減する。
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。
比較実験が効果的かつ公平であることを示すための方程式を与える。
関連論文リスト
- SupplyGraph: A Benchmark Dataset for Supply Chain Planning using Graph
Neural Networks [0.0]
グラフニューラルネットワーク(GNN)は、輸送、バイオインフォマティクス、言語処理、コンピュータビジョンなど、さまざまな領域で注目を集めている。
サプライチェーンネットワークは本質的にグラフのような構造であり、GNN方法論を適用するための主要な候補となる。
このアプローチの大きな欠点は、GNNを用いたサプライチェーン問題の研究と解決を容易にするために、実世界のベンチマークデータセットが存在しないことである。
論文 参考訳(メタデータ) (2024-01-27T05:14:17Z) - QAmplifyNet: Pushing the Boundaries of Supply Chain Backorder Prediction
Using Interpretable Hybrid Quantum-Classical Neural Network [1.227497305546707]
サプライチェーン管理は、在庫管理の最適化、コスト削減、顧客満足度向上のための正確な後方予測に依存している。
本研究は,サプライチェーンの後方予測のための新しい方法論的枠組みを導入し,大規模データセットを扱う上での課題に対処する。
提案モデルであるQAmplifyNetは、量子古典的ニューラルネットワーク内で量子インスパイアされた技術を用いて、短いデータセットと不均衡なデータセット上で、効率よくバックオーダーを予測する。
論文 参考訳(メタデータ) (2023-07-24T15:59:36Z) - Identifying contributors to supply chain outcomes in a multi-echelon
setting: a decentralised approach [69.62333053044712]
本稿では,推定貢献の分散計算における説明可能な人工知能の利用を提案する。
このアプローチは、サプライチェーンアクターにデータ共有を説得する必要性を緩和する。
その結果,集中型アプローチと比較して,品質変化の源泉を検出する方法の有効性が示された。
論文 参考訳(メタデータ) (2023-07-22T20:03:16Z) - 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) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳(メタデータ) (2023-02-06T16:38:43Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [77.14319095965058]
グラフ上のノードレベルの予測にOOD問題を定式化する。
そこで我々は,探索から抽出までのリスク最小化という新たなドメイン不変学習手法を開発した。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-02-05T02:31:01Z) - Discovering Supply Chain Links with Augmented Intelligence [0.0]
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。
論文 参考訳(メタデータ) (2021-11-02T20:30:14Z) - 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) - Discriminability of Single-Layer Graph Neural Networks [172.5042368548269]
グラフニューラルネットワーク(GNN)は、幅広い問題について有望な性能を示した。
本稿では, 識別可能性の特性に着目し, 安定グラフフィルタバンクへのポイントワイド非線形性の適用により, 高固有値コンテンツに対する識別能力が向上する条件を確立する。
論文 参考訳(メタデータ) (2020-10-17T18:52:34Z) - Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。
本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-28T17:55:04Z)
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。