論文の概要: Exploring Network-Knowledge Graph Duality: A Case Study in Agentic Supply Chain Risk Analysis

• arxiv url: http://arxiv.org/abs/2510.01115v1
• Date: Wed, 01 Oct 2025 17:02:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 14:32:17.221291
• Title: Exploring Network-Knowledge Graph Duality: A Case Study in Agentic Supply Chain Risk Analysis
• Title（参考訳）: ネットワーク知識グラフの二重性を探る:エージェント・サプライ・チェーン・リスク分析のケーススタディ
• Authors: Evan Heus, Rick Bookstaber, Dhruv Sharma,
• Abstract要約: ネットワークと知識グラフの本質的にの双対性を利用する。 ネットワーク集中度スコアで導かれるグラフトラバーサは、最も経済的に健全なリスクパスを効率的に抽出する。 エージェントアーキテクチャは、数値係数テーブルとニュースストリームのデータとともに、このグラフ検索をオーケストレーションする。
• 参考スコア（独自算出の注目度）: 3.734145313091892
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large Language Models (LLMs) struggle with the complex, multi-modal, and network-native data underlying financial risk. Standard Retrieval-Augmented Generation (RAG) oversimplifies relationships, while specialist models are costly and static. We address this gap with an LLM-centric agent framework for supply chain risk analysis. Our core contribution is to exploit the inherent duality between networks and knowledge graphs (KG). We treat the supply chain network as a KG, allowing us to use structural network science principles for retrieval. A graph traverser, guided by network centrality scores, efficiently extracts the most economically salient risk paths. An agentic architecture orchestrates this graph retrieval alongside data from numerical factor tables and news streams. Crucially, it employs novel ``context shells'' -- descriptive templates that embed raw figures in natural language -- to make quantitative data fully intelligible to the LLM. This lightweight approach enables the model to generate concise, explainable, and context-rich risk narratives in real-time without costly fine-tuning or a dedicated graph database.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、金融リスクに基づく複雑でマルチモーダルでネットワークネイティブなデータと競合する。 Standard Retrieval-Augmented Generation (RAG) は関係を単純化し、スペシャリストモデルは高価で静的である。 このギャップを、サプライチェーンリスク分析のためのLLM中心のエージェントフレームワークで解決する。 私たちのコアコントリビューションは、ネットワークと知識グラフ(KG)の本質的にの双対性を活用することです。 我々は,サプライチェーンネットワークをKGとして扱うことで,構造的ネットワーク科学の原理を検索に利用することができる。 ネットワーク集中度スコアで導かれるグラフトラバーサは、最も経済的に健全なリスクパスを効率的に抽出する。 エージェントアーキテクチャは、数値係数テーブルとニュースストリームのデータとともに、このグラフ検索をオーケストレーションする。 重要なのは、自然言語に生の人物を埋め込んだ記述テンプレートである‘context shells'’という新しいテンプレートを使って、LLMに完全に理解可能な量的データを作成していることだ。 この軽量なアプローチは、コストのかかる微調整や専用のグラフデータベースを使わずに、簡潔で説明可能な、コンテキストに富んだリスク物語をリアルタイムで生成することを可能にする。

関連論文リスト

• G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
  大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。 最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。 G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
  論文  参考訳（メタデータ） (2025-09-29T04:38:12Z)
• HuggingGraph: Understanding the Supply Chain of LLM Ecosystem [6.131279654327215]
  大規模言語モデル(LLM)は、単語のシーケンスを処理および予測するためにディープラーニングアーキテクチャを活用する。 LLMは、以前のモデルやデータセットに存在する脆弱性やバイアス、悪意のあるコンポーネントを継承することができる。 このプロジェクトの目的は、モデルとデータセットの関係を研究することである。
  論文  参考訳（メタデータ） (2025-07-17T17:34:13Z)
• Graph Learning in the Era of LLMs: A Survey from the Perspective of Data, Models, and Tasks [25.720233631885726]
  グラフニューラルネットワーク(GNN)とLarge Language Models(LLM)の統合は、有望な技術パラダイムとして現れている。 データ品質を根本的に向上させるために、リッチなセマンティックコンテキストを持つグラフ記述テキストを活用します。 この研究は、グラフ学習方法論の進歩を目指す研究者や実践者にとって、基礎的な参考となる。
  論文  参考訳（メタデータ） (2024-12-17T01:41:17Z)
• Supply Chain Network Extraction and Entity Classification Leveraging Large Language Models [5.205252810216621]
  我々は,大規模言語モデル(LLM)を用いた土木分野向けサプライチェーングラフを開発する。 LLMを微調整してサプライチェーングラフ内のエンティティを分類し、それらの役割と関係に関する詳細な洞察を提供する。 我々の貢献には、土木分野向けのサプライチェーングラフの開発や、サプライチェーンネットワークのエンティティ分類と理解を強化する微調整LCMモデルなどが含まれます。
  論文  参考訳（メタデータ） (2024-10-16T21:24:13Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• XG-NID: Dual-Modality Network Intrusion Detection using a Heterogeneous Graph Neural Network and Large Language Model [5.298018090482744]
  XG-NIDは異種グラフ構造内にフローレベルとパケットレベルのデータを融合する最初の方法である。 XG-NIDは、フローとパケットペイロードデータの複雑な関係を効果的に捉えながら、リアルタイムの推論を可能にする。
  論文  参考訳（メタデータ） (2024-08-27T01:14:34Z)
• 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)
• Iterative Zero-Shot LLM Prompting for Knowledge Graph Construction [104.29108668347727]
  本稿では,最新の生成型大規模言語モデルの可能性を活用する,革新的な知識グラフ生成手法を提案する。 このアプローチは、新しい反復的なゼロショットと外部知識に依存しない戦略を含むパイプラインで伝達される。 我々は、我々の提案がスケーラブルで多目的な知識グラフ構築に適したソリューションであり、異なる新しい文脈に適用できると主張している。
  論文  参考訳（メタデータ） (2023-07-03T16:01:45Z)
• Information Screening whilst Exploiting! Multimodal Relation Extraction with Feature Denoising and Multimodal Topic Modeling [96.75821232222201]
  既存のマルチモーダル関係抽出(MRE)研究は、内部情報過剰利用と外部情報過多という2つの共存課題に直面している。 内部情報スクリーニングと外部情報活用を同時に実現する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-19T14:56:57Z)
• 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。