論文の概要: Enhancing supply chain security with automated machine learning

• arxiv url: http://arxiv.org/abs/2406.13166v1
• Date: Wed, 19 Jun 2024 02:45:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 23:28:56.411724
• Title: Enhancing supply chain security with automated machine learning
• Title（参考訳）: 自動機械学習によるサプライチェーンセキュリティの強化
• Authors: Haibo Wang, Lutfu S. Sua, Bahram Alidaee,
• Abstract要約: この研究は、港の混雑、材料不足、インフレーションによって引き起こされる混乱にますます弱いグローバルサプライチェーンの複雑さに取り組む。 我々の焦点は、不正検出、メンテナンス予測、および材料予約予測を通じてサプライチェーンのセキュリティを強化することである。 これらのプロセスを自動化することで,サプライチェーンセキュリティ対策の効率性と有効性を向上させることができる。
• 参考スコア（独自算出の注目度）: 2.994117664413568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study tackles the complexities of global supply chains, which are increasingly vulnerable to disruptions caused by port congestion, material shortages, and inflation. To address these challenges, we explore the application of machine learning methods, which excel in predicting and optimizing solutions based on large datasets. Our focus is on enhancing supply chain security through fraud detection, maintenance prediction, and material backorder forecasting. We introduce an automated machine learning framework that streamlines data analysis, model construction, and hyperparameter optimization for these tasks. By automating these processes, our framework improves the efficiency and effectiveness of supply chain security measures. Our research identifies key factors that influence machine learning performance, including sampling methods, categorical encoding, feature selection, and hyperparameter optimization. We demonstrate the importance of considering these factors when applying machine learning to supply chain challenges. Traditional mathematical programming models often struggle to cope with the complexity of large-scale supply chain problems. Our study shows that machine learning methods can provide a viable alternative, particularly when dealing with extensive datasets and complex patterns. The automated machine learning framework presented in this study offers a novel approach to supply chain security, contributing to the existing body of knowledge in the field. Its comprehensive automation of machine learning processes makes it a valuable contribution to the domain of supply chain management.
• Abstract（参考訳）: この研究は、港の混雑、材料不足、インフレーションによって引き起こされる混乱にますます弱いグローバルサプライチェーンの複雑さに取り組む。 これらの課題に対処するために、大規模なデータセットに基づいたソリューションの予測と最適化に長けた機械学習手法の適用について検討する。 我々の焦点は、不正検出、メンテナンス予測、および材料予約予測を通じてサプライチェーンのセキュリティを強化することである。 データ分析、モデル構築、これらのタスクのハイパーパラメータ最適化を効率化する自動機械学習フレームワークを導入する。 これらのプロセスを自動化することで,サプライチェーンセキュリティ対策の効率性と有効性を向上させることができる。 本研究は,サンプリング手法,カテゴリエンコーディング,特徴選択,ハイパーパラメータ最適化など,機械学習のパフォーマンスに影響を与える重要な要因を明らかにする。 本稿では,機械学習をチェーンの課題に応用する上で,これらの要因を考慮することの重要性を示す。 伝統的な数学的プログラミングモデルは、しばしば大規模なサプライチェーン問題の複雑さに対処するのに苦労する。 我々の研究は、機械学習手法が、特に広範囲なデータセットや複雑なパターンを扱う際に、有効な代替手段となることを示している。 この研究で紹介された自動機械学習フレームワークは、サプライチェーンセキュリティに対する新しいアプローチを提供し、この分野における既存の知識体系に寄与する。 機械学習プロセスの包括的な自動化は、サプライチェーン管理の領域に価値ある貢献をもたらす。

関連論文リスト

• Enhancing Precision of Automated Teller Machines Network Quality Assessment: Machine Learning and Multi Classifier Fusion Approaches [2.2670946312994]
  本研究では、ATMの信頼性を高めるためにマルチクラス化融合技術を利用するデータ融合手法を提案する。 提案したフレームワークは、スタックに多様な分類モデルを統合することで、誤報の劇的な減少を3.56パーセントからわずか0.71パーセントに達成している。 このマルチクラス化融合法は個々のモデルの強度を合成し、大幅なコスト削減と運用上の意思決定の改善をもたらす。
  論文  参考訳（メタデータ） (2025-01-02T05:33:01Z)
• 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)
• 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)
• MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model [0.0]
  CNN,Long Short-Term Memory Network (LSTM), Gated Recurrent Units (GRU)を統合したハイブリッドアーキテクチャであるMulti-Channel Data Fusion Network (MCDFN)を紹介する。 我々の比較ベンチマークは、MCDFNが他の7つのディープラーニングモデルより優れていることを示している。 本研究は,需要予測手法を進歩させ,MCDFNをサプライチェーンシステムに統合するための実践的ガイドラインを提供する。
  論文  参考訳（メタデータ） (2024-05-24T14:30:00Z)
• 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)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
  追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。 GP-UCBに類似した条件下では, 応答が得られないことを示す。 実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-02T05:03:38Z)
• Implementing Reinforcement Learning Algorithms in Retail Supply Chains with OpenAI Gym Toolkit [0.0]
  予期せぬ環境に対応するシステムのトレーニング能力を備えた強化学習(rl)が小売サプライチェーン管理(scm)に採用されている。 本稿では,プライチェーン予測におけるRLの適用について検討し,OpenAI Gymツールキットを用いて適切なRLモデルとアルゴリズムを構築する方法について述べる。
  論文  参考訳（メタデータ） (2021-04-27T03:35:42Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)

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。