論文の概要: What if? Causal Machine Learning in Supply Chain Risk Management

• arxiv url: http://arxiv.org/abs/2408.13556v1
• Date: Sat, 24 Aug 2024 11:30:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-27 18:59:33.859702
• Title: What if? Causal Machine Learning in Supply Chain Risk Management
• Title（参考訳）: サプライチェーンリスクマネジメントにおける因果機械学習
• Authors: Mateusz Wyrembek, George Baryannis, Alexandra Brintrup,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 47.56698850802985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The penultimate goal for developing machine learning models in supply chain management is to make optimal interventions. However, most machine learning models identify correlations in data rather than inferring causation, making it difficult to systematically plan for better outcomes. In this article, we propose and evaluate the use of causal machine learning for developing supply chain risk intervention models, and demonstrate its use with a case study in supply chain risk management in the maritime engineering sector. Our findings highlight that causal machine learning enhances decision-making processes by identifying changes that can be achieved under different supply chain interventions, allowing "what-if" scenario planning. We therefore propose different machine learning developmental pathways for for predicting risk, and planning for interventions to minimise risk and outline key steps for supply chain researchers to explore causal machine learning.
• Abstract（参考訳）: サプライチェーン管理において機械学習モデルを開発するための最終目標は、最適な介入を行うことである。 しかし、ほとんどの機械学習モデルは因果関係を推測するのではなく、データの相関関係を識別するので、より優れた結果を体系的に計画することは困難である。 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するとともに,海洋工学分野におけるサプライチェーンのリスク管理のケーススタディでその利用を実証する。 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識別することで意思決定プロセスを強化することを強調し、シナリオ計画の"What-if"を可能にした。 そこで我々は、リスク予測のためのさまざまな機械学習開発経路を提案し、リスク最小化のための介入を計画し、サプライチェーン研究者が因果機械学習を探求するための重要なステップを概説する。

関連論文リスト

• Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。 大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Root Cause Attribution of Delivery Risks via Causal Discovery with Reinforcement Learning [0.0]
  本稿では, 因果発見と強化学習を統合することで, サプライチェーンにおける納入リスクの根本原因を解明する手法を提案する。 提案手法を実世界のサプライチェーンデータセットに適用し,納期遅延の原因を明らかにする上での有効性を示す。
  論文  参考訳（メタデータ） (2024-08-11T20:52:51Z)
• Enhancing supply chain security with automated machine learning [2.994117664413568]
  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。
  論文  参考訳（メタデータ） (2024-06-19T02:45:32Z)
• Self-Destructing Models: Increasing the Costs of Harmful Dual Uses of Foundation Models [103.71308117592963]
  本稿ではメタラーニングと逆学習の技法を活用した自己破壊モデルの学習アルゴリズムを提案する。 小規模な実験では、MLACは、BERTスタイルのモデルが性別識別を行うために再目的化されることをほとんど防ぐことができることを示す。
  論文  参考訳（メタデータ） (2022-11-27T21:43:45Z)
• 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)
• Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
  近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。 ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。 本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
  論文  参考訳（メタデータ） (2021-07-28T10:28:05Z)
• Risk Assessment for Machine Learning Models [5.136418932626926]
  デプロイシナリオを定義し、各シナリオで指定された条件下で機械学習モデルをテストし、テスト中の機械学習モデルの出力に関連するダメージを推定する手法を開発し、実装する。 特に、我々のフレームワークでは、ランダムな入力汚職に対する機械学習モデルの堅牢性、環境の変化による分布変化、および逆の摂動を評価することができる。
  論文  参考訳（メタデータ） (2020-11-09T10:50:50Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)
• 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。