論文の概要: Pivoting Retail Supply Chain with Deep Generative Techniques: Taxonomy, Survey and Insights

• arxiv url: http://arxiv.org/abs/2403.00861v1
• Date: Thu, 29 Feb 2024 21:03:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 16:15:48.357277
• Title: Pivoting Retail Supply Chain with Deep Generative Techniques: Taxonomy, Survey and Insights
• Title（参考訳）: ディープジェネレーティブ技術による小売サプライチェーンの転換--分類学、調査、洞察
• Authors: Yuan Wang, Lokesh Kumar Sambasivan, Mingang Fu, Prakhar Mehrotra
• Abstract要約: ChatGPTやDALL-EといったジェネレーティブAIアプリケーションは、人間のようなテキストや画像を生成する上で、世界が印象的な能力を持っていることを示している。 ディープ・ジェネレーティブ・モデル(Deep Generative Models, DGM)は、データの基礎となる分布を学習し、新しいデータポイントを生成するように設計されている。
• 参考スコア（独自算出の注目度）: 10.489284496096607
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Generative AI applications, such as ChatGPT or DALL-E, have shown the world their impressive capabilities in generating human-like text or image. Diving deeper, the science stakeholder for those AI applications are Deep Generative Models, a.k.a DGMs, which are designed to learn the underlying distribution of the data and generate new data points that are statistically similar to the original dataset. One critical question is raised: how can we leverage DGMs into morden retail supply chain realm? To address this question, this paper expects to provide a comprehensive review of DGMs and discuss their existing and potential usecases in retail supply chain, by (1) providing a taxonomy and overview of state-of-the-art DGMs and their variants, (2) reviewing existing DGM applications in retail supply chain from a end-to-end view of point, and (3) discussing insights and potential directions on how DGMs can be further utilized on solving retail supply chain problems.
• Abstract（参考訳）: ChatGPTやDALL-EといったジェネレーティブAIアプリケーションは、人間のようなテキストや画像を生成する上で、世界が素晴らしい能力を持っていることを示している。 より深く、これらのAIアプリケーションの科学ステークホルダーはDeep Generative Models、別名DGMであり、データの基礎となる分布を学習し、統計学的に元のデータセットに類似した新しいデータポイントを生成するように設計されている。 1つの重要な疑問が浮かび上がっている。DGMをいかにして小売サプライチェーンの領域に活用できるか? そこで本稿では,(1)最先端dgmとその派生品の分類と概要,(2)小売サプライチェーンにおける既存dgmアプリケーションのエンド・ツー・エンドの視点からのレビュー,(3)小売サプライチェーン問題を解決する上での留意点と潜在的方向性について論じることにより,小売サプライチェーンにおけるdgmの包括的レビューと,それらの既存および潜在的ユースケースについて議論する。

関連論文リスト

• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)
• 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)
• Deep Generative Models through the Lens of the Manifold Hypothesis: A Survey and New Connections [15.191007332508198]
  本研究では,低内在次元のデータモデリングにおいて,高周囲次元の確率の数値的不安定性は避けられないことを示す。 次に、オートエンコーダの学習表現上のDGMは、ワッサーシュタイン距離をほぼ最小化するものとして解釈できることを示す。
  論文  参考訳（メタデータ） (2024-04-03T18:00:00Z)
• At the Dawn of Generative AI Era: A Tutorial-cum-Survey on New Frontiers in 6G Wireless Intelligence [11.847999494242387]
  ジェネレーティブAI(Generative AI、ジェネレーティブAI)は、入力データの基盤となるデータ分布、パターン、特徴を識別できるジェネレーティブモデル(GM)である。 これにより、GenAIは、実世界のデータが不足し、不完全で、取得にコストがかかり、モデル化や理解が難しい、無線領域において重要な資産となる。 我々は、セマンティック/THz/ニアフィールド通信、ISAC、超大型アンテナアレイ、デジタルツイン、AI生成コンテンツサービス、モバイルエッジコンピューティングとエッジAI、敵対的ML、信頼に値する6Gネットワーク研究の先駆的な領域におけるGMの役割を概説する。
  論文  参考訳（メタデータ） (2024-02-02T06:23:25Z)
• Unsupervised Discovery of Steerable Factors When Graph Deep Generative Models Are Entangled [65.19908606519125]
  GraphCGは、事前訓練されたグラフDGMの潜伏空間におけるステアブル因子の教師なし発見方法である。 この観察に動機づけられたグラフCGは、意味豊かな方向の相互情報を最大化することで、評価可能な要素を学習する。 2つの分子データセットで事前学習した2つのグラフDGMにおいて、グラフCGが4つの競合ベースラインを上回ることを定量的に検証する。
  論文  参考訳（メタデータ） (2024-01-29T18:53:34Z)
• A Survey on Generative Modeling with Limited Data, Few Shots, and Zero Shot [33.564516823250806]
  機械学習において、生成モデリングは、トレーニングデータ分布と統計的に類似した新しいデータを生成することを目的としている。 これは、データ取得が困難である場合、例えば医療アプリケーションにおいて重要なトピックである。 GM-DCタスク間のインタラクションとアプローチについて検討する。
  論文  参考訳（メタデータ） (2023-07-26T12:05:08Z)
• Deep Generative Model and Its Applications in Efficient Wireless Network Management: A Tutorial and Case Study [71.8330148641267]
  ディープジェネレーションモデル(DGM)は2022年から爆発的な成長を遂げている。 本稿では,無線ネットワーク管理の効率化に向けたDGMの応用について検討する。
  論文  参考訳（メタデータ） (2023-03-30T02:59:51Z)
• A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal [57.8455911689554]
  知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。 質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
  論文  参考訳（メタデータ） (2022-12-12T08:40:04Z)
• An Introduction to Deep Generative Modeling [8.909115457491522]
  深層生成モデル(dgm)は、複雑な高次元確率分布を近似するために多くの隠れ層を訓練したニューラルネットワークである。 DGMの紹介と3つの最もポピュラーなアプローチをモデリングするためのフレームワークを提供します。 私たちの目標は、読者がこの急成長する研究領域に貢献できるようにすることです。
  論文  参考訳（メタデータ） (2021-03-09T02:19:06Z)
• Domain Generalization: A Survey [146.68420112164577]
  ドメイン一般化(DG)は、モデル学習にソースドメインデータを使用するだけでOOD一般化を実現することを目的としています。 初めて、DGの10年の開発をまとめるために包括的な文献レビューが提供されます。
  論文  参考訳（メタデータ） (2021-03-03T16:12:22Z)

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。