論文の概要: Developing a Multi-task Ensemble Geometric Deep Network for Supply Chain Sustainability and Risk Management

• arxiv url: http://arxiv.org/abs/2510.26203v1
• Date: Thu, 30 Oct 2025 07:26:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.697863
• Title: Developing a Multi-task Ensemble Geometric Deep Network for Supply Chain Sustainability and Risk Management
• Title（参考訳）: サプライチェーンサステナビリティとリスク管理のためのマルチタスク・アンサンブル・ジオメトリック・ディープ・ネットワークの開発
• Authors: Mehdi Khaleghi, Nastaran Khaleghi, Sobhan Sheykhivand, Sebelan Danishvar,
• Abstract要約: 提案するチェビシェフアンサンブル幾何ネットワーク(Ch-EGN)は、ハイブリッドな畳み込みと幾何学的な深層学習である。 サプライチェーンの持続可能性を高めるために,サプライグラフデータベースを用いて製品分類とエッジ分類を行う。 その結果,提案手法の最先端手法と比較して平均的な改善と効率性が確認された。
• 参考スコア（独自算出の注目度）: 0.22020053359163297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The sustainability of supply chain plays a key role in achieving optimal performance in controlling the supply chain. The management of risks that occur in a supply chain is a fundamental problem for the purpose of developing the sustainability of the network and elevating the performance efficiency of the supply chain. The correct classification of products is another essential element in a sustainable supply chain. Acknowledging recent breakthroughs in the context of deep networks, several architectural options have been deployed to analyze supply chain datasets. A novel geometric deep network is used to propose an ensemble deep network. The proposed Chebyshev ensemble geometric network (Ch-EGN) is a hybrid convolutional and geometric deep learning. This network is proposed to leverage the information dependencies in supply chain to derive invisible states of samples in the database. The functionality of the proposed deep network is assessed on the two different databases. The SupplyGraph Dataset and DataCo are considered in this research. The prediction of delivery status of DataCo supply chain is done for risk administration. The product classification and edge classification are performed using the SupplyGraph database to enhance the sustainability of the supply network. An average accuracy of 98.95% is obtained for the ensemble network for risk management. The average accuracy of 100% and 98.07% are obtained for sustainable supply chain in terms of 5 product group classification and 4 product relation classification, respectively. The average accuracy of 92.37% is attained for 25 company relation classification. The results confirm an average improvement and efficiency of the proposed method compared to the state-of-the-art approaches.
• Abstract（参考訳）: サプライチェーンの持続性はサプライチェーンの制御において最適な性能を達成する上で重要な役割を果たしている。 サプライチェーンで発生するリスクの管理は、ネットワークの持続可能性を高め、サプライチェーンの性能効率を高めるための基本的な問題である。 製品の正しい分類は、持続可能なサプライチェーンにおいて重要な要素である。 ディープネットワークの状況における最近のブレークスルーを認識し、サプライチェーンのデータセットを分析するためにいくつかのアーキテクチャオプションがデプロイされている。 アンサンブル深層ネットワークの提案には,新しい幾何学的深層ネットワークを用いる。 提案するチェビシェフアンサンブル幾何ネットワーク(Ch-EGN)は、ハイブリッドな畳み込みと幾何学的な深層学習である。 このネットワークは、サプライチェーンにおける情報依存を利用して、データベース内のサンプルの見えない状態を導出する。 提案したディープ・ネットワークの機能は2つの異なるデータベースで評価される。 この研究では、サプライグラフデータセットとDataCoが検討されている。 DataCoサプライチェーンのデリバリ状態の予測は、リスク管理のために行われる。 サプライグラフデータベースを用いて製品分類とエッジ分類を行い、サプライネットワークの持続可能性を高める。 リスク管理のためのアンサンブルネットワークでは、平均98.95%の精度が得られる。 5つの製品群分類と4つの製品関係分類において、持続的サプライチェーンの平均精度は100%と98.07%である。 25社の関係分類では92.37%の平均精度が達成されている。 その結果,提案手法の最先端手法と比較して平均的な改善と効率性が確認された。

関連論文リスト

• An Analytics-Driven Approach to Enhancing Supply Chain Visibility with Graph Neural Networks and Federated Learning [52.79646338275159]
  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。
  論文  参考訳（メタデータ） (2025-03-10T12:15:45Z)
• 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)
• Generative Probabilistic Planning for Optimizing Supply Chain Networks [0.0]
  本稿では,生成確率計画 (Generative Probabilistic Planning, IPP) と呼ばれる新しい生成AI技術を紹介する。 IPPは動的サプライアクションプランを生成し、時間的地平線上で全ネットワークノードにわたってグローバルに最適化される。 グローバルな消費財企業の履歴データを用いた実験により、IPPはサプライチェーンネットワークの客観的適応性、確率論的レジリエンス、動的プランニングを達成できることを示した。
  論文  参考訳（メタデータ） (2024-04-11T07:06:58Z)
• 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)
• Identifying contributors to supply chain outcomes in a multi-echelon setting: a decentralised approach [47.00450933765504]
  本稿では,推定貢献の分散計算における説明可能な人工知能の利用を提案する。 このアプローチは、サプライチェーンアクターにデータ共有を説得する必要性を緩和する。 その結果,集中型アプローチと比較して,品質変化の源泉を検出する方法の有効性が示された。
  論文  参考訳（メタデータ） (2023-07-22T20:03:16Z)
• 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)
• 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。