論文の概要: AI in Supply Chain Risk Assessment: A Systematic Literature Review and
Bibliometric Analysis
- arxiv url: http://arxiv.org/abs/2401.10895v2
- Date: Thu, 25 Jan 2024 17:38:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 17:00:08.781697
- Title: AI in Supply Chain Risk Assessment: A Systematic Literature Review and
Bibliometric Analysis
- Title(参考訳): サプライチェーンリスクアセスメントにおけるai--体系的文献レビューと書誌分析
- Authors: Md Abrar Jahin, Saleh Akram Naife, Anik Kumar Saha, and M. F. Mridha
- Abstract要約: サプライチェーンリスクアセスメント(SCRA)は、人工知能(AI)と機械学習(ML)技術を統合することで、大きな進化を目撃している。
以前のレビューでは確立した方法論を概説しているが、新たなAI/ML技術を見落としている。
本稿では,総合的な文献分析と体系的な文献レビューを行う。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Supply chain risk assessment (SCRA) has witnessed a profound evolution
through the integration of artificial intelligence (AI) and machine learning
(ML) techniques, revolutionizing predictive capabilities and risk mitigation
strategies. The significance of this evolution stems from the critical role of
robust risk management strategies in ensuring operational resilience and
continuity within modern supply chains. Previous reviews have outlined
established methodologies but have overlooked emerging AI/ML techniques,
leaving a notable research gap in understanding their practical implications
within SCRA. This paper conducts a systematic literature review combined with a
comprehensive bibliometric analysis. We meticulously examined 1,717 papers and
derived key insights from a select group of 48 articles published between 2014
and 2023. The review fills this research gap by addressing pivotal research
questions, and exploring existing AI/ML techniques, methodologies, findings,
and future trajectories, thereby providing a more encompassing view of the
evolving landscape of SCRA. Our study unveils the transformative impact of
AI/ML models, such as Random Forest, XGBoost, and hybrids, in substantially
enhancing precision within SCRA. It underscores adaptable post-COVID
strategies, advocating for resilient contingency plans and aligning with
evolving risk landscapes. Significantly, this review surpasses previous
examinations by accentuating emerging AI/ML techniques and their practical
implications within SCRA. Furthermore, it highlights the contributions through
a comprehensive bibliometric analysis, revealing publication trends,
influential authors, and highly cited articles.
- Abstract(参考訳): サプライチェーンリスクアセスメント(SCRA)は、人工知能(AI)と機械学習(ML)技術を統合し、予測能力とリスク軽減戦略に革命をもたらすことにより、大きな進化を目の当たりにした。
この進化の意義は、現代のサプライチェーンにおける運用上のレジリエンスと継続性の確保において、ロバストなリスク管理戦略の重要な役割に起因している。
これまでのレビューでは、確立された方法論を概説しているが、新たなAI/MLテクニックを見落としており、SCRAにおけるそれらの実践的影響を理解する上で、注目すべき研究ギャップを残している。
本稿では,包括的書誌分析と組み合わせた体系的文献レビューを行う。
我々は2014年から2023年にかけて発行された48の論文の中から1,717の論文を精査し、重要な洞察を得た。
このレビューは、重要な研究課題に対処し、既存のAI/ML技術、方法論、発見、そして将来の軌跡を探究することによって、この研究ギャップを埋める。
我々の研究は、ランダムフォレスト、XGBoost、ハイブリッドといったAI/MLモデルの変換効果を明らかにし、SCRA内の精度を大幅に向上させる。
適応可能なポストコビッド戦略を基本とし、回復力のあるコンティンジェンシープランを提唱し、リスクランドスケープを進化させる。
このレビューは、新たなAI/ML技術とそのSCRA内での実践的意味をアクセント化することによって、これまでの試験を上回ります。
さらに、包括的な書誌分析を通じて貢献を強調し、出版の傾向、影響力のある著者、そして高い引用記事を明らかにする。
関連論文リスト
- A Literature Review of Literature Reviews in Pattern Analysis and
Machine Intelligence [62.90682521144006]
この分析は、様々な観点からPAMI分野のレビューを徹底的にレビューすることを目的としている。
書評を自動評価するために,大規模言語モデルを用いた書評指標を提案する。
新たに登場したAI生成の文献レビューも評価されている。
論文 参考訳(メタデータ) (2024-02-20T11:28:50Z) - A Systematic Literature Review on Explainability for Machine/Deep
Learning-based Software Engineering Research [23.966640472958105]
本稿では,ソフトウェア工学の文脈におけるAIモデルの説明可能性の向上を目的とした,体系的な文献レビューを行う。
我々は,XAI技術がこれまで成功してきたSEタスク,(2)異なるXAI手法の分類と分析,(3)既存の評価手法を考察することを目的としている。
論文 参考訳(メタデータ) (2024-01-26T03:20:40Z) - Resilience of Deep Learning applications: a systematic survey of
analysis and hardening techniques [3.6700486326641903]
このレビューは、2019年1月から2023年3月までに出版された163の科学論文に基づいている。
著者らは、研究の類似点と特異点を解釈し、強調するために分類フレームワークを採用している。
今後の研究の方向性に関する提言は、解決すべきオープンチャレンジの形で提案されている。
論文 参考訳(メタデータ) (2023-09-27T19:22:19Z) - Unified Risk Analysis for Weakly Supervised Learning [65.75775694815172]
弱教師付き学習のための包括的理解と統一的方法論を提供する枠組みを導入する。
フレームワークの定式化コンポーネントは、汚染の観点から、どのように弱い監督が形成されるかの統一的な解釈を提供する。
フレームワークの分析コンポーネントは、汚染除去プロセスと見なされ、リスクの書き直しを行う体系的な方法を提供する。
論文 参考訳(メタデータ) (2023-09-15T07:30:15Z) - A Survey on Interpretable Cross-modal Reasoning [64.37362731950843]
マルチメディア分析から医療診断に至るまで、クロスモーダル推論(CMR)が重要な分野として浮上している。
この調査は、解釈可能なクロスモーダル推論(I-CMR)の領域を掘り下げる
本調査では,I-CMRの3段階分類法について概説する。
論文 参考訳(メタデータ) (2023-09-05T05:06:48Z) - Adversarial attacks and defenses in explainable artificial intelligence:
A survey [11.541601343587917]
敵機械学習(AdvML)の最近の進歩は、最先端の説明手法の限界と脆弱性を強調している。
本調査は、機械学習モデルの説明に対する敵攻撃に関する総合的な研究の概要を提供する。
論文 参考訳(メタデータ) (2023-06-06T09:53:39Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳(メタデータ) (2023-02-11T18:07:11Z) - The Role of AI in Drug Discovery: Challenges, Opportunities, and
Strategies [97.5153823429076]
この分野でのAIのメリット、課題、欠点についてレビューする。
データ拡張、説明可能なAIの使用、従来の実験手法とAIの統合についても論じている。
論文 参考訳(メタデータ) (2022-12-08T23:23:39Z) - Self-Supervised Anomaly Detection in Computer Vision and Beyond: A
Survey and Outlook [9.85256783464329]
異常検出は、サイバーセキュリティ、金融、医療など、さまざまな領域において重要な役割を担っている。
近年,深層学習モデルの顕著な成長により,この分野において大きな進歩を遂げている。
自己教師型学習の出現は、既存の最先端のアプローチよりも優れた新しいADアルゴリズムの開発を引き起こした。
論文 参考訳(メタデータ) (2022-05-10T21:16:14Z) - Holistic Adversarial Robustness of Deep Learning Models [91.34155889052786]
敵対的堅牢性は、安全性と信頼性を確保するために、機械学習モデルの最悪のケースパフォーマンスを研究する。
本稿では,深層学習モデルの対角的ロバスト性に関する研究課題の概要と研究手法の基礎原則について概説する。
論文 参考訳(メタデータ) (2022-02-15T05:30:27Z) - MAIR: Framework for mining relationships between research articles,
strategies, and regulations in the field of explainable artificial
intelligence [2.280298858971133]
研究論文やAI関連の政策に対する規制の影響のダイナミクスを理解することが不可欠である。
本稿では,AI関連政策文書とXAI研究論文の共同分析のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-07-29T20:41:17Z)
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。