論文の概要: An Analytics-Driven Approach to Enhancing Supply Chain Visibility with Graph Neural Networks and Federated Learning

• arxiv url: http://arxiv.org/abs/2503.07231v1
• Date: Mon, 10 Mar 2025 12:15:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:50:11.787404
• Title: An Analytics-Driven Approach to Enhancing Supply Chain Visibility with Graph Neural Networks and Federated Learning
• Title（参考訳）: グラフニューラルネットワークとフェデレーション学習によるサプライチェーンの可視性向上のための分析駆動型アプローチ
• Authors: Ge Zheng, Alexandra Brintrup,
• Abstract要約: 本稿では,フェデレートラーニング(FL)とグラフ畳み込みニューラルネットワーク(GCN)を統合して,サプライチェーンの可視性を高める手法を提案する。 FLは、生のデータ交換を必要とせず、情報共有を容易にすることで、国間での協調的なモデルトレーニングを可能にする。 GCNは、知識グラフ内の複雑なリレーショナルパターンをキャプチャするフレームワークを強化し、正確なリンク予測を可能にして、隠れたコネクションを明らかにする。
• 参考スコア（独自算出の注目度）: 52.79646338275159
• License:
• Abstract: In today's globalised trade, supply chains form complex networks spanning multiple organisations and even countries, making them highly vulnerable to disruptions. These vulnerabilities, highlighted by recent global crises, underscore the urgent need for improved visibility and resilience of the supply chain. However, data-sharing limitations often hinder the achievement of comprehensive visibility between organisations or countries due to privacy, security, and regulatory concerns. Moreover, most existing research studies focused on individual firm- or product-level networks, overlooking the multifaceted interactions among diverse entities that characterise real-world supply chains, thus limiting a holistic understanding of supply chain dynamics. To address these challenges, we propose a novel approach that integrates Federated Learning (FL) and Graph Convolutional Neural Networks (GCNs) to enhance supply chain visibility through relationship prediction in supply chain knowledge graphs. FL enables collaborative model training across countries by facilitating information sharing without requiring raw data exchange, ensuring compliance with privacy regulations and maintaining data security. GCNs empower the framework to capture intricate relational patterns within knowledge graphs, enabling accurate link prediction to uncover hidden connections and provide comprehensive insights into supply chain networks. Experimental results validate the effectiveness of the proposed approach, demonstrating its ability to accurately predict relationships within country-level supply chain knowledge graphs. This enhanced visibility supports actionable insights, facilitates proactive risk management, and contributes to the development of resilient and adaptive supply chain strategies, ensuring that supply chains are better equipped to navigate the complexities of the global economy.
• Abstract（参考訳）: 今日のグローバル化した貿易では、サプライチェーンは複数の組織や国にまたがる複雑なネットワークを形成し、混乱に対して非常に脆弱である。 これらの脆弱性は、最近の世界的な危機によって強調され、サプライチェーンの可視性とレジリエンスの改善に対する緊急の必要性を浮き彫りにしている。 しかし、データ共有の制限は、プライバシ、セキュリティ、規制上の懸念により、組織や国間の包括的な可視性の達成を妨げることが多い。 さらに、既存の研究の多くは、個々の企業や製品レベルのネットワークに焦点を当て、現実世界のサプライチェーンを特徴付ける多様なエンティティ間の多面的相互作用を見極め、サプライチェーンのダイナミクスの全体的理解を制限している。 これらの課題に対処するため、我々は、サプライチェーン知識グラフにおける関係予測を通じてサプライチェーンの可視性を高めるために、フェデレートラーニング(FL)とグラフ畳み込みニューラルネットワーク(GCN)を統合した新しいアプローチを提案する。 FLは、生のデータ交換を必要とせず、情報共有を容易にし、プライバシ規制の遵守を確保し、データセキュリティを維持することで、国間での協調的なモデルトレーニングを可能にする。 GCNは、知識グラフ内の複雑なリレーショナルパターンをキャプチャし、正確なリンク予測を可能にして、隠れたコネクションを明らかにし、サプライチェーンネットワークに関する包括的な洞察を提供する。 提案手法の有効性を実験的に検証し,国レベルのサプライチェーン知識グラフ内の関係を正確に予測する能力を示した。 この強化された可視性は、行動可能な洞察をサポートし、積極的なリスク管理を促進し、レジリエントで適応的なサプライチェーン戦略の発展に寄与し、サプライチェーンが世界経済の複雑さをナビゲートするためのより良い設備を備えていることを保証する。

関連論文リスト

• Enhancing Supply Chain Transparency in Emerging Economies Using Online Contents and LLMs [0.40964539027092917]
  本研究では、オンラインコンテンツと大規模言語モデル(LLM)を活用して、新興国におけるサプライチェーンの透明性を高める新しいアプローチを提案する。 我々は,先進的なLCMとWebクローラ技術を統合したサプライチェーン知識グラフマイニングシステムを開発し,サプライチェーン情報を自動的に収集・解析する。
  論文  参考訳（メタデータ） (2024-12-22T08:46:16Z)
• Enhancing Supply Chain Visibility with Generative AI: An Exploratory Case Study on Relationship Prediction in Knowledge Graphs [52.79646338275159]
  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。
  論文  参考訳（メタデータ） (2024-12-04T15:19:01Z)
• 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)
• 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)
• A Knowledge Graph Perspective on Supply Chain Resilience [15.028130016717773]
  世界的な危機と規制の進展はサプライチェーンの透明性とレジリエンスを高める必要がある。 サプライチェーンに関する情報、特により深いレベルでは、しばしば不透明で不完全である。 異なるデータソースを接続することにより、サプライネットワークを知識グラフとしてモデル化し、ティア3サプライヤーへの透明性を実現する。
  論文  参考訳（メタデータ） (2023-05-15T10:14:30Z)
• Modeling Multiple Views via Implicitly Preserving Global Consistency and Local Complementarity [61.05259660910437]
  複数の視点から表現を学習するために,グローバルな一貫性と相補性ネットワーク(CoCoNet)を提案する。 グローバルな段階では、重要な知識はビュー間で暗黙的に共有され、そのような知識を捕捉するためのエンコーダの強化は、学習された表現の識別性を向上させることができる。 最後に、局所的な段階において、横断的な識別的知識を結合する相補的要素を提案し、また、エンコーダが視点的識別性だけでなく、横断的な相補的情報も学習するように誘導する。
  論文  参考訳（メタデータ） (2022-09-16T09:24:00Z)
• 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)
• Cooperative Policy Learning with Pre-trained Heterogeneous Observation Representations [51.8796674904734]
  事前訓練された異種観察表現を用いた新たな協調学習フレームワークを提案する。 エンコーダ-デコーダに基づくグラフアテンションを用いて、複雑な相互作用と異種表現を学習する。
  論文  参考訳（メタデータ） (2020-12-24T04:52:29Z)

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。