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

• arxiv url: http://arxiv.org/abs/2406.13166v2
• Date: Sun, 01 Dec 2024 22:34:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-03 16:54:18.866354
• 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: 本稿では,不正行為の検出,メンテナンスニーズの予測,材料バックオーダの予測によるサプライチェーンのセキュリティ向上を目的とした自動MLフレームワークを提案する。 その結果, 不正検出はサンプリング手法による88%の精度, 機械故障予測は93.4%の精度, 材料後方予測は89.3%の精度を達成した。
• 参考スコア（独自算出の注目度）: 2.994117664413568
• License:
• Abstract: The increasing scale and complexity of global supply chains have led to new challenges spanning various fields, such as supply chain disruptions due to long waiting lines at the ports, material shortages, and inflation. Coupled with the size of supply chains and the availability of vast amounts of data, efforts towards tackling such challenges have led to an increasing interest in applying machine learning methods in many aspects of supply chains. Unlike other solutions, ML techniques, including Random Forest, XGBoost, LightGBM, and Neural Networks, make predictions and approximate optimal solutions faster. This paper presents an automated ML framework to enhance supply chain security by detecting fraudulent activities, predicting maintenance needs, and forecasting material backorders. Using datasets of varying sizes, results show that fraud detection achieves an 88% accuracy rate using sampling methods, machine failure prediction reaches 93.4% accuracy, and material backorder prediction achieves 89.3% accuracy. Hyperparameter tuning significantly improved the performance of these models, with certain supervised techniques like XGBoost and LightGBM reaching up to 100% precision. This research contributes to supply chain security by streamlining data preprocessing, feature selection, model optimization, and inference deployment, addressing critical challenges and boosting operational efficiency.
• Abstract（参考訳）: 世界的なサプライチェーンの規模と複雑さの増大は、港の長い待ち行列によるサプライチェーンの破壊、材料不足、インフレなど、様々な分野にまたがる新たな課題を引き起こしている。 サプライチェーンのサイズと大量のデータの提供と合わせて、このような課題に取り組む取り組みは、サプライチェーンの多くの面で機械学習手法の適用への関心が高まっている。 他のソリューションとは異なり、Random Forest、XGBoost、LightGBM、Neural NetworksなどのML技術は、予測と近似最適解を高速化する。 本稿では,不正行為の検出,メンテナンスニーズの予測,材料バックオーダの予測によるサプライチェーンのセキュリティ向上を目的とした自動MLフレームワークを提案する。 様々なサイズのデータセットを用いて、結果は不正検出がサンプリング手法を用いて88%の精度で達成され、機械故障予測は93.4%の精度で達成され、材料後方予測は89.3%の精度で達成されたことを示している。 ハイパーパラメータチューニングはこれらのモデルの性能を大幅に改善し、XGBoostやLightGBMのような教師付き技術は100%の精度に到達した。 この研究は、データ前処理、特徴選択、モデル最適化、推論デプロイメントの合理化、重要な課題への対処、運用効率の向上によってサプライチェーンのセキュリティに寄与する。

関連論文リスト

• FinML-Chain: A Blockchain-Integrated Dataset for Enhanced Financial Machine Learning [2.0695662173473206]
  本稿では、高周波オンチェーンデータと低周波オフチェーンデータを統合するためのフレームワークを提案する。 このフレームワークは、トランザクションフィーメカニズムのような経済メカニズムを分析するためのモジュラーデータセットを生成する。 我々は、金融研究を推進し、ブロックチェーン駆動システムの理解を改善するデータセットを作成できるフレームワークの能力を実証する。
  論文  参考訳（メタデータ） (2024-11-25T10:55:11Z)
• Power Plays: Unleashing Machine Learning Magic in Smart Grids [0.0]
  機械学習アルゴリズムは、スマートメーター、センサー、その他のグリッドコンポーネントから大量のデータを分析して、エネルギー分布の最適化、需要予測、潜在的な障害を示す不規則性の検出を行う。 予測モデルの使用は、機器の故障を予測し、エネルギー供給の信頼性を向上させるのに役立つ。 しかしながら、これらのテクノロジの展開は、データのプライバシやセキュリティ、堅牢なインフラストラクチャの必要性に関する課題も引き起こす。
  論文  参考訳（メタデータ） (2024-10-20T15:39:08Z)
• Optimizing Automated Picking Systems in Warehouse Robots Using Machine Learning [15.615208767760663]
  本研究は、ディープラーニングと強化学習技術を活用した倉庫における自動ピッキングシステムに焦点を当てた。 ロボットのピッキング性能と複雑な環境への適応性を向上する上で,これらの技術の有効性を実証する。
  論文  参考訳（メタデータ） (2024-08-29T15:39:12Z)
• What if? Causal Machine Learning in Supply Chain Risk Management [47.56698850802985]
  本稿では,サプライチェーンのリスク介入モデル開発における因果機械学習の利用を提案し,評価する。 我々の研究は、因果機械学習が、異なるサプライチェーンの介入の下で達成できる変化を特定することにより、意思決定プロセスを強化することを強調した。
  論文  参考訳（メタデータ） (2024-08-24T11:30:25Z)
• 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)
• Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
  可塑性の喪失は複数の独立したメカニズムに分解できることを示す。 種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2024-02-29T00:02:33Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• Robust, Deep, and Reinforcement Learning for Management of Communication and Power Networks [6.09170287691728]
  本論文は、まず、分散不確実性や逆データに対して汎用機械学習モデルを堅牢にするための原則的手法を開発する。 次に、この堅牢なフレームワークの上に構築し、グラフメソッドによる堅牢な半教師付き学習を設計します。 この論文の第2部は、次世代の有線および無線ネットワークの可能性を完全に解き放つことを意図している。
  論文  参考訳（メタデータ） (2022-02-08T05:49:06Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

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。