論文の概要: Credit Risk Identification in Supply Chains Using Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2501.10348v2
• Date: Mon, 20 Jan 2025 08:54:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:21:41.215682
• Title: Credit Risk Identification in Supply Chains Using Generative Adversarial Networks
• Title（参考訳）: 生成的敵対ネットワークを用いたサプライチェーンの信用リスク同定
• Authors: Zizhou Zhang, Xinshi Li, Yu Cheng, Zhenrui Chen, Qianying Liu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.125130091872046
• License:
• Abstract: Credit risk management within supply chains has emerged as a critical research area due to its significant implications for operational stability and financial sustainability. The intricate interdependencies among supply chain participants mean that credit risks can propagate across networks, with impacts varying by industry. This study explores the application of Generative Adversarial Networks (GANs) to enhance credit risk identification in supply chains. GANs enable the generation of synthetic credit risk scenarios, addressing challenges related to data scarcity and imbalanced datasets. By leveraging GAN-generated data, the model improves predictive accuracy while effectively capturing dynamic and temporal dependencies in supply chain data. The research focuses on three representative industries-manufacturing (steel), distribution (pharmaceuticals), and services (e-commerce) to assess industry-specific credit risk contagion. Experimental results demonstrate that the GAN-based model outperforms traditional methods, including logistic regression, decision trees, and neural networks, achieving superior accuracy, recall, and F1 scores. The findings underscore the potential of GANs in proactive risk management, offering robust tools for mitigating financial disruptions in supply chains. Future research could expand the model by incorporating external market factors and supplier relationships to further enhance predictive capabilities. Keywords- Generative Adversarial Networks (GANs); Supply Chain Risk; Credit Risk Identification; Machine Learning; Data Augmentation
• Abstract（参考訳）: サプライチェーン内の信用リスク管理は、運用安定性と金融持続可能性に重大な影響を及ぼすため、重要な研究領域として浮上している。 サプライチェーン参加者の複雑な相互依存は、信用リスクがネットワーク全体に伝播し、業界によって影響が変化することを意味する。 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強化するために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。 本研究は、業界固有の信用リスク感染を評価するための3つの代表的な産業生産(鉄鋼)、流通(製薬)、サービス(eコマース)に焦点を当てている。 実験の結果、GANベースのモデルはロジスティック回帰、決定木、ニューラルネットワークなど従来の手法よりも優れており、精度、リコール、F1スコアが優れていることが示された。 この調査結果は、サプライチェーンの金融混乱を緩和するための堅牢なツールを提供する、積極的なリスク管理におけるGANの可能性を浮き彫りにした。 将来の研究は、予測能力をさらに強化するために、外部市場要因とサプライヤーの関係を組み込むことで、モデルを拡大する可能性がある。 キーワード-生成的敵ネットワーク(GAN)、サプライチェーンリスク、信用リスク識別、機械学習、データ拡張

関連論文リスト

• Applying Hybrid Graph Neural Networks to Strengthen Credit Risk Analysis [4.457653449326353]
  本稿では, グラフ畳み込みニューラルネットワーク(GCNN)を用いた信用リスク予測手法を提案する。 提案手法は、従来の信用リスク評価モデルが直面する課題、特に不均衡なデータセットを扱う際の課題に対処する。 この研究は、信用リスク予測の精度を向上させるためのGCNNの可能性を示し、金融機関にとって堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-10-05T20:49:05Z)
• What if? Causal Machine Learning in Supply Chain Risk Management [47.56698850802985]
  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。
  論文  参考訳（メタデータ） (2024-08-24T11:30:25Z)
• 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)
• Graph Dimension Attention Networks for Enterprise Credit Assessment [40.87056211723355]
  グラフ次元注意ネットワーク(GDAN)という新しいアーキテクチャを提案する。 GDANは、細粒度のリスク関連特性を捉えるための次元レベルの注意機構を組み込んでいる。 金融シナリオにおけるGNN手法の解釈可能性について検討し、GDAN-DistShiftと呼ばれるGDANのためのデータ中心の説明器を提案する。
  論文  参考訳（メタデータ） (2024-07-16T11:24:28Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
  GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。 異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
  論文  参考訳（メタデータ） (2023-12-18T05:42:31Z)
• HKTGNN: Hierarchical Knowledge Transferable Graph Neural Network-based Supply Chain Risk Assessment [3.439495194421287]
  階層的な知識伝達可能なグラフニューラルネットワーク(HKTGNN)サプライチェーンリスク評価モデルを提案する。 グラフ埋め込みモジュールを用いて,個々の商品に対応するサプライチェーンネットワークをサプライチェーンに埋め込む。 我々のモデルは実世界のサプライチェーンデータセットの実験において優れています。
  論文  参考訳（メタデータ） (2023-11-07T00:54:04Z)
• FisrEbp: Enterprise Bankruptcy Prediction via Fusing its Intra-risk and Spillover-Risk [4.369823783549928]
  LSTMベースのリスク内エンコーダとGNNベースのリスク外乱エンコーダを備える新しい手法を提案する。 リスク内エンコーダは、基本業務情報と訴訟情報から統計相関指標を用いて、企業内リスクを捕捉することができる。 流出リスクエンコーダはハイパーグラフニューラルネットワークとヘテロジニアスグラフニューラルネットワークからなる。
  論文  参考訳（メタデータ） (2022-02-01T04:28:48Z)
• Will bots take over the supply chain? Revisiting Agent-based supply chain automation [71.77396882936951]
  エージェントベースのサプライチェーンは2000年初頭から提案されている。 エージェントベースの技術は成熟しており、サプライチェーンに浸透している他の支援技術はギャップを埋めている。 例えば、IoTテクノロジのユビキティは、エージェントがサプライチェーンの状態を“理解”し、自動化のための新たな可能性を開くのに役立つ。
  論文  参考訳（メタデータ） (2021-09-03T18:44:26Z)
• 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)

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。