論文の概要: Resilience Inference for Supply Chains with Hypergraph Neural Network

• arxiv url: http://arxiv.org/abs/2511.06208v1
• Date: Sun, 09 Nov 2025 03:34:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.809378
• Title: Resilience Inference for Supply Chains with Hypergraph Neural Network
• Title（参考訳）: ハイパーグラフニューラルネットワークを用いたサプライチェーンのレジリエンス推論
• Authors: Zetian Shen, Hongjun Wang, Jiyuan Chen, Xuan Song,
• Abstract要約: サプライチェーンは世界経済の安定に不可欠であるが、混乱は相互接続されたネットワークを通じて伝播し、経済的に重大な影響を及ぼす。 サプライチェーンのレジリエンスの正確かつタイムリーな推論では、破壊時にコア機能を維持する能力は、積極的なリスク軽減と堅牢なネットワーク設計に不可欠である。 既存のアプローチでは、明示的なシステムダイナミクスなしでサプライチェーンのレジリエンスを推測する効果的なメカニズムが欠如しており、サプライチェーンネットワークに固有の高次多元性を表現するのに苦労している。
• 参考スコア（独自算出の注目度）: 10.029608878220973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supply chains are integral to global economic stability, yet disruptions can swiftly propagate through interconnected networks, resulting in substantial economic impacts. Accurate and timely inference of supply chain resilience the capability to maintain core functions during disruptions is crucial for proactive risk mitigation and robust network design. However, existing approaches lack effective mechanisms to infer supply chain resilience without explicit system dynamics and struggle to represent the higher-order, multi-entity dependencies inherent in supply chain networks. These limitations motivate the definition of a novel problem and the development of targeted modeling solutions. To address these challenges, we formalize a novel problem: Supply Chain Resilience Inference (SCRI), defined as predicting supply chain resilience using hypergraph topology and observed inventory trajectories without explicit dynamic equations. To solve this problem, we propose the Supply Chain Resilience Inference Hypergraph Network (SC-RIHN), a novel hypergraph-based model leveraging set-based encoding and hypergraph message passing to capture multi-party firm-product interactions. Comprehensive experiments demonstrate that SC-RIHN significantly outperforms traditional MLP, representative graph neural network variants, and ResInf baselines across synthetic benchmarks, underscoring its potential for practical, early-warning risk assessment in complex supply chain systems.
• Abstract（参考訳）: サプライチェーンは世界経済の安定に不可欠であるが、混乱は相互接続されたネットワークを通じて急速に伝播し、経済的に重大な影響をもたらす。 サプライチェーンのレジリエンスの正確かつタイムリーな推論では、破壊時にコア機能を維持する能力は、積極的なリスク軽減と堅牢なネットワーク設計に不可欠である。 しかし、既存のアプローチでは、明示的なシステムダイナミクスを伴わずにサプライチェーンのレジリエンスを推測する効果的なメカニズムが欠如しており、サプライチェーンネットワークに固有の高次多元性依存を表現するのに苦労している。 これらの制限は、新しい問題の定義と対象とするモデリングソリューションの開発を動機付けている。 これらの課題に対処するために,我々は,サプライチェーンレジリエンス推論(SCRI)という,ハイパーグラフトポロジを用いたサプライチェーンレジリエンスの予測と,明示的な動的方程式を伴わない在庫軌道の観測という,新たな問題を定式化した。 この問題を解決するために,セットベースエンコーディングとハイパーグラフメッセージパッシングを利用した新しいハイパーグラフモデルであるサプライチェーンレジリエンス推論ハイパーグラフネットワーク(SC-RIHN)を提案する。 総合的な実験により、SC-RIHNは、複雑なサプライチェーンシステムにおいて、実用的で早期に警告されるリスクアセスメントの可能性を裏付ける、従来のMLP、代表グラフニューラルネットワークの変種、ResInfベースラインを大きく上回っていることが示されている。

関連論文リスト

• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• 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)
• TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics [14.25304439234864]
  本稿では,ネットワークトポロジとダイナミックスの生成的データ拡張を通じてこの問題に対処するために設計された,複雑なネットワークに対する新しいレジリエンス予測フレームワークを提案する。 3つのネットワークデータセットの実験結果から,提案するフレームワークであるTDNetGenは,最大85%～95%の精度で高い予測精度を達成可能であることが示された。
  論文  参考訳（メタデータ） (2024-08-19T09:20:31Z)
• 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)
• Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
  可塑性の喪失は複数の独立したメカニズムに分解できることを示す。 種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2024-02-29T00:02:33Z)
• 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)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• QAmplifyNet: Pushing the Boundaries of Supply Chain Backorder Prediction Using Interpretable Hybrid Quantum-Classical Neural Network [1.227497305546707]
  サプライチェーン管理は、在庫管理の最適化、コスト削減、顧客満足度向上のための正確な後方予測に依存している。 本研究は,サプライチェーンの後方予測のための新しい方法論的枠組みを導入し,大規模データセットを扱う上での課題に対処する。 提案モデルであるQAmplifyNetは、量子古典的ニューラルネットワーク内で量子インスパイアされた技術を用いて、短いデータセットと不均衡なデータセット上で、効率よくバックオーダーを予測する。
  論文  参考訳（メタデータ） (2023-07-24T15:59:36Z)

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。