論文の概要: Enhancing Supply Chain Visibility with Generative AI: An Exploratory Case Study on Relationship Prediction in Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2412.03390v1
- Date: Wed, 04 Dec 2024 15:19:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-05 15:07:20.137854
- Title: Enhancing Supply Chain Visibility with Generative AI: An Exploratory Case Study on Relationship Prediction in Knowledge Graphs
- Title(参考訳): ジェネレーティブAIによるサプライチェーンの可視性向上:知識グラフにおける関係予測の探索的研究
- Authors: Ge Zheng, Alexandra Brintrup,
- Abstract要約: 関係予測は、データ駆動技術を用いてサプライチェーンの可視性を高めることを目的としている。
既存の手法は関係を予測するのに成功しているが、これらの関係が埋め込まれているコンテキストを抽出するのに苦労している。
文脈の欠如により、実践者は取引関係と確立されたサプライチェーンの関係を区別することができない。
- 参考スコア(独自算出の注目度): 52.79646338275159
- License:
- Abstract: A key stumbling block in effective supply chain risk management for companies and policymakers is a lack of visibility on interdependent supply network relationships. Relationship prediction, also called link prediction is an emergent area of supply chain surveillance research that aims to increase the visibility of supply chains using data-driven techniques. Existing methods have been successful for predicting relationships but struggle to extract the context in which these relationships are embedded - such as the products being supplied or locations they are supplied from. Lack of context prevents practitioners from distinguishing transactional relations from established supply chain relations, hindering accurate estimations of risk. In this work, we develop a new Generative Artificial Intelligence (Gen AI) enhanced machine learning framework that leverages pre-trained language models as embedding models combined with machine learning models to predict supply chain relationships within knowledge graphs. By integrating Generative AI techniques, our approach captures the nuanced semantic relationships between entities, thereby improving supply chain visibility and facilitating more precise risk management. Using data from a real case study, we show that GenAI-enhanced link prediction surpasses all benchmarks, and demonstrate how GenAI models can be explored and effectively used in supply chain risk management.
- Abstract(参考訳): 企業や政策立案者にとって、効果的なサプライチェーンのリスク管理における重要な障害は、相互依存のサプライネットワーク関係の可視性の欠如である。
リンク予測(リンク予測、link prediction)は、データ駆動技術を用いてサプライチェーンの可視性を高めることを目的としたサプライチェーン監視研究の創発的な領域である。
既存の手法は、関係を予測するのに成功しているが、これらの関係が組み込まれている状況(例えば、供給される製品や供給される場所など)を抽出するのに苦労している。
文脈の欠如により、実践者は取引関係と確立されたサプライチェーンの関係を区別することができず、正確なリスク推定を妨げている。
本研究では,知識グラフ内のサプライチェーン関係を予測するために,機械学習モデルと機械学習モデルを組み合わせた組込みモデルとして,事前学習言語モデルを活用する,新しいジェネレーティブ人工知能(Gen AI)拡張機械学習フレームワークを開発する。
ジェネレーティブAI技術を統合することで、私たちのアプローチはエンティティ間のニュアンスドセマンティックな関係を捕捉し、サプライチェーンの可視性を改善し、より正確なリスク管理を容易にする。
実ケーススタディから得られたデータを用いて、GenAIが強化したリンク予測が全てのベンチマークを超えていることを示し、サプライチェーンのリスク管理においてどのようにGenAIモデルを探索し、効果的に利用できるかを示す。
関連論文リスト
- Credit Risk Identification in Supply Chains Using Generative Adversarial Networks [11.125130091872046]
本研究では,サプライチェーンにおける信用リスクの識別を高めるためにGAN(Generative Adversarial Networks)の適用について検討する。
GANは、データの不足と不均衡データセットに関連する課題に対処する、合成クレジットリスクシナリオの生成を可能にする。
GAN生成データを活用することにより、サプライチェーンデータの動的および時間的依存関係を効果的にキャプチャし、予測精度を向上させる。
論文 参考訳(メタデータ) (2025-01-17T18:42:46Z) - 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) - Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。
本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。
RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文 参考訳(メタデータ) (2023-09-20T08:11:58Z) - Message Intercommunication for Inductive Relation Reasoning [49.731293143079455]
我々はMINESと呼ばれる新しい帰納的関係推論モデルを開発した。
隣り合う部分グラフにメッセージ通信機構を導入する。
我々の実験は、MINESが既存の最先端モデル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) (2023-05-23T13:51:46Z) - Relation-dependent Contrastive Learning with Cluster Sampling for
Inductive Relation Prediction [30.404149577013595]
帰納的関係予測のための関係依存型コントラスト学習(ReCoLe)を導入する。
GNNベースのエンコーダはコントラスト学習によって最適化され、ロングテール関係における良好な性能が保証される。
実験結果から、ReCoLeは一般的に使用される帰納的データセット上で最先端の手法より優れていることが示唆された。
論文 参考訳(メタデータ) (2022-11-22T13:30:49Z) - SAIS: Supervising and Augmenting Intermediate Steps for Document-Level
Relation Extraction [51.27558374091491]
本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。
そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
論文 参考訳(メタデータ) (2021-09-24T17:37:35Z) - Data Considerations in Graph Representation Learning for Supply Chain
Networks [64.72135325074963]
本稿では,隠れた依存関係リンクを明らかにするためのグラフ表現学習手法を提案する。
本稿では,グローバルな自動車サプライチェーンネットワークのリンク予測における最先端の性能向上を実証する。
論文 参考訳(メタデータ) (2021-07-22T12:28:15Z) - Generalized Relation Learning with Semantic Correlation Awareness for
Link Prediction [29.23338194883254]
本稿では,上記の2つの問題に対処する汎用関係学習フレームワークを提案する。
grlを用いた訓練により、ベクトル空間における意味的類似関係の密接性と類似関係の識別性が向上する。
論文 参考訳(メタデータ) (2020-12-22T12:22:03Z)
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。