論文の概要: Applying graph neural network to SupplyGraph for supply chain network
- arxiv url: http://arxiv.org/abs/2408.14501v1
- Date: Fri, 23 Aug 2024 23:42:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-28 18:01:37.430079
- Title: Applying graph neural network to SupplyGraph for supply chain network
- Title（参考訳）: サプライチェーンネットワークにおけるグラフニューラルネットワークの適用
- Authors: Kihwan Han,
- Abstract要約: サプライチェーンネットワークは、製品の供給と需要の文脈における製品、製造設備、ストレージ間の相互作用を記述している。
本研究は、分析プロセス、データ品質保証、機械学習(ML)モデル仕様をより明確化し、サプライチェーンデータセットであるサプライグラフを評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Supply chain networks describe interactions between products, manufacture facilities, storages in the context of supply and demand of the products. Supply chain data are inherently under graph structure; thus, it can be fertile ground for applications of graph neural network (GNN). Very recently, supply chain dataset, SupplyGraph, has been released to the public. Though the SupplyGraph dataset is valuable given scarcity of publicly available data, there was less clarity on description of the dataset, data quality assurance process, and hyperparameters of the selected models. Further, for generalizability of findings, it would be more convincing to present the findings by performing statistical analyses on the distribution of errors rather than showing the average value of the errors. Therefore, this study assessed the supply chain dataset, SupplyGraph, with better clarity on analyses processes, data quality assurance, machine learning (ML) model specifications. After data quality assurance procedures, this study compared performance of Multilayer Perceptions (MLP), Graph Convolution Network (GCN), and Graph Attention Network (GAT) on a demanding forecasting task while matching hyperparameters as feasible as possible. The analyses revealed that GAT performed best, followed by GCN and MLP. Those performance improvements were statistically significant at $\alpha = 0.05$ after correction for multiple comparisons. This study also discussed several considerations in applying GNN to supply chain networks. The current study reinforces the previous study in supply chain benchmark dataset with respect to description of the dataset and methodology, so that the future research in applications of GNN to supply chain becomes more reproducible.
- Abstract（参考訳）: サプライチェーンネットワークは、製品の供給と需要の文脈における製品、製造設備、ストレージ間の相互作用を記述している。
サプライチェーンデータは本質的にグラフ構造下にあるため、グラフニューラルネットワーク(GNN)の応用には最適である。
ごく最近、サプライチェーンのデータセットであるSabridGraphが一般公開された。
supplyGraphデータセットは、公開データの不足を考えると価値があるが、データセットの記述、データ品質保証プロセス、選択されたモデルのハイパーパラメータについて、明確さは少なかった。
さらに, 結果の一般化可能性については, 誤差の平均値を示すのではなく, 誤差の分布に関する統計的解析を行うことにより, 結果の提示がより説得力のあるものとなる。
そこで本研究では,分析プロセス,データ品質保証,機械学習(ML)モデル仕様の明確化を図るとともに,サプライチェーンのデータセットであるサプライグラフを評価した。
データ品質保証処理の後,ハイパーパラメータを可能な限り整合させながら,要求予測タスクにおける多層知覚(MLP),グラフ畳み込みネットワーク(GCN),グラフ注意ネットワーク(GAT)の性能を比較した。
分析の結果, GATはGCN, MLPが高値を示した。
これらの性能改善は、複数の比較の修正後の$\alpha = 0.05$で統計的に有意であった。
本研究は、GNNをサプライチェーンネットワークに適用する際のいくつかの考察についても論じる。
本研究は、サプライチェーンベンチマークデータセットにおけるデータセットと方法論の記述に関する以前の研究を補強し、サプライチェーンへのGNNの適用に関する今後の研究がより再現性を高めている。
関連論文リスト
- SupplyGraph: A Benchmark Dataset for Supply Chain Planning using Graph
Neural Networks [0.0]
グラフニューラルネットワーク(GNN)は、輸送、バイオインフォマティクス、言語処理、コンピュータビジョンなど、さまざまな領域で注目を集めている。
サプライチェーンネットワークは本質的にグラフのような構造であり、GNN方法論を適用するための主要な候補となる。
このアプローチの大きな欠点は、GNNを用いたサプライチェーン問題の研究と解決を容易にするために、実世界のベンチマークデータセットが存在しないことである。
論文 参考訳（メタデータ） (2024-01-27T05:14:17Z) - A Metadata-Driven Approach to Understand Graph Neural Networks [17.240017543449735]
グラフデータ特性に対するGNNの感度を解析するための$textitmetadata-driven$アプローチを提案する。
よりバランスの取れた次数分布を持つデータセットは,ノード表現の線形分離性の向上を図っている。
論文 参考訳（メタデータ） (2023-10-30T04:25:02Z) - Graph Out-of-Distribution Generalization with Controllable Data
Augmentation [51.17476258673232]
グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。
トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。
仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
論文 参考訳（メタデータ） (2023-08-16T13:10:27Z) - Addressing the Impact of Localized Training Data in Graph Neural
Networks [0.0]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習において顕著な成功を収めた。
本稿では,グラフの局所化部分集合に対するGNNのトレーニングの影響を評価することを目的とする。
本稿では,局所化学習データとグラフ推論との分散不一致を最小化する正規化手法を提案する。
論文 参考訳（メタデータ） (2023-07-24T11:04:22Z) - USER: Unsupervised Structural Entropy-based Robust Graph Neural Network [22.322867182077182]
教師なしグラフニューラルネットワーク(GNN)は、入力グラフデータの固有のランダム性に対して脆弱である。
構造エントロピーに基づくグラフニューラルネットワークの教師なしロバストバージョンであるUSERを提案する。
ランダムノイズ下でのクラスタリングとリンク予測タスク、および3つのデータセットに対するメタアタックの実験は、USERのベンチマークより優れていることを示している。
論文 参考訳（メタデータ） (2023-02-12T10:32:12Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。
我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文 参考訳（メタデータ） (2022-08-21T15:12:08Z) - OOD-GNN: Out-of-Distribution Generalized Graph Neural Network [73.67049248445277]
グラフニューラルネットワーク(GNN)は、グラフデータのテストとトレーニングを同一の分布から行うことで、優れたパフォーマンスを実現している。
既存のGNNでは、テストとグラフデータのトレーニングの間に分散シフトが存在する場合、その性能が著しく低下する。
本稿では,学習グラフと異なる分布を持つ未確認試験グラフに対して,満足な性能を実現するために,アウト・オブ・ディストリビューション一般化グラフニューラルネットワーク(OOD-GNN)を提案する。
論文 参考訳（メタデータ） (2021-12-07T16:29:10Z) - Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。
このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。
本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-20T18:57:18Z) - Graph Neural Networks for Inconsistent Cluster Detection in Incremental
Entity Resolution [3.4806267677524896]
成熟したデータリポジトリでは、関係は概ね正しいが、元のデータやエンティティの解決システムにおけるエラーのため、漸進的な改善が必要である。
本稿では,共存しない既存関連製品群である不整合クラスタ(ic)を同定する新しい手法を提案する。
既存のMessage Passing Neural Networkがこのタスクで、従来のグラフ処理技術を上回る性能を発揮することを実証する。
論文 参考訳（メタデータ） (2021-05-12T20:39:22Z) - Contrastive and Generative Graph Convolutional Networks for Graph-based
Semi-Supervised Learning [64.98816284854067]
グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。
本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-15T13:59:28Z)
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。