論文の概要: Graph Neural Networks in Supply Chain Analytics and Optimization: Concepts, Perspectives, Dataset and Benchmarks
- arxiv url: http://arxiv.org/abs/2411.08550v1
- Date: Wed, 13 Nov 2024 11:59:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-14 16:08:59.047630
- Title: Graph Neural Networks in Supply Chain Analytics and Optimization: Concepts, Perspectives, Dataset and Benchmarks
- Title（参考訳）: サプライチェーン分析と最適化におけるグラフニューラルネットワーク:概念,展望,データセット,ベンチマーク
- Authors: Azmine Toushik Wasi, MD Shafikul Islam, Adipto Raihan Akib, Mahathir Mohammad Bappy,
- Abstract要約: グラフニューラルネットワーク(GNN)は最近、輸送、バイオインフォマティクス、言語、画像処理で注目を集めている。
本研究は,概念的議論,方法論的洞察,包括的データセットによって支援された,GNNを用いたサプライチェーン問題の解決の基礎となる。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Graph Neural Networks (GNNs) have recently gained traction in transportation, bioinformatics, language and image processing, but research on their application to supply chain management remains limited. Supply chains are inherently graph-like, making them ideal for GNN methodologies, which can optimize and solve complex problems. The barriers include a lack of proper conceptual foundations, familiarity with graph applications in SCM, and real-world benchmark datasets for GNN-based supply chain research. To address this, we discuss and connect supply chains with graph structures for effective GNN application, providing detailed formulations, examples, mathematical definitions, and task guidelines. Additionally, we present a multi-perspective real-world benchmark dataset from a leading FMCG company in Bangladesh, focusing on supply chain planning. We discuss various supply chain tasks using GNNs and benchmark several state-of-the-art models on homogeneous and heterogeneous graphs across six supply chain analytics tasks. Our analysis shows that GNN-based models consistently outperform statistical Machine Learning and other Deep Learning models by around 10-30% in regression, 10-30% in classification and detection tasks, and 15-40% in anomaly detection tasks on designated metrics. With this work, we lay the groundwork for solving supply chain problems using GNNs, supported by conceptual discussions, methodological insights, and a comprehensive dataset.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は近年,輸送,バイオインフォマティクス,言語,画像処理において注目を集めているが,サプライチェーン管理への応用に関する研究は依然として限られている。
サプライチェーンは本質的にグラフライクであり、複雑な問題を最適化し解決するGNN方法論に理想的である。
この障壁には、適切な概念基盤の欠如、SCMにおけるグラフアプリケーションへの慣れ、GNNベースのサプライチェーン研究のための実世界のベンチマークデータセットが含まれる。
そこで我々は,GNNを効果的に活用するためのグラフ構造とサプライチェーンを議論し,詳細な定式化,例,数学的定義,タスクガイドラインを提供する。
さらに、バングラデシュのFMCG企業からサプライチェーン計画に焦点を当てたマルチパースペクティブな実世界のベンチマークデータセットを提示する。
GNNを用いて様々なサプライチェーンタスクを議論し、6つのサプライチェーン分析タスクにおける同質および異質グラフに関する最先端モデルをベンチマークする。
分析の結果、GNNベースのモデルは、回帰の約10～30%、分類および検出タスクの10～30%、指定されたメトリクスの異常検出タスクの15～40%において、統計的機械学習やその他のディープラーニングモデルよりも一貫して優れていることがわかった。
本研究は,GNNを用いたサプライチェーン問題の解決のための基礎研究であり,概念的議論,方法論的洞察,包括的データセットによって支援されている。
関連論文リスト
- Applying graph neural network to SupplyGraph for supply chain network [0.0]
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。
論文 参考訳（メタデータ） (2024-08-23T23:42:18Z) - Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる
本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。
我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文 参考訳（メタデータ） (2024-05-27T17:52:12Z) - Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。
しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。
本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
論文 参考訳（メタデータ） (2024-03-11T21:54:52Z) - 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) - Large Scale Training of Graph Neural Networks for Optimal Markov-Chain Partitioning Using the Kemeny Constant [1.8606770727950463]
我々は,マルコフ連鎖のグラフ分割問題に対処するGNNアーキテクチャをいくつか提案する。
このアプローチは、提案されたパーティショニングがケメニー定数をどの程度変更するかを最小化することを目的としている。
線形層を持つグラフSAGEベースのGNNが、この文脈でより大きく、より表現力に富んだアテンションベースモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-12-22T17:19:50Z) - Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。
GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。
以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2023-09-12T09:18:12Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-05-22T10:29:52Z) - A Comprehensive Study on Large-Scale Graph Training: Benchmarking and
Rethinking [124.21408098724551]
グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である
本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。
提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
論文 参考訳（メタデータ） (2022-10-14T03:43:05Z) - 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) - Hierarchical Message-Passing Graph Neural Networks [12.207978823927386]
本稿では,新しい階層型メッセージパッシンググラフニューラルネットワークフレームワークを提案する。
鍵となるアイデアは、フラットグラフ内のすべてのノードをマルチレベルなスーパーグラフに再編成する階層構造を生成することである。
階層型コミュニティ対応グラフニューラルネットワーク(HC-GNN)と呼ばれる,このフレームワークを実装した最初のモデルを提案する。
論文 参考訳（メタデータ） (2020-09-08T13:11:07Z)
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。