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

• 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。