論文の概要: SupplyNetPy: An Open-Source Python Library for High-Fidelity Modeling and Simulation of Arbitrary Supply Chain and Inventory Networks

• arxiv url: http://arxiv.org/abs/2607.09745v1
• Date: Fri, 03 Jul 2026 13:35:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-19 21:54:20.395995
• Title: SupplyNetPy: An Open-Source Python Library for High-Fidelity Modeling and Simulation of Arbitrary Supply Chain and Inventory Networks
• Title（参考訳）: supplyNetPy: 任意のサプライチェーンとインベントリネットワークの高忠実性モデリングとシミュレーションのためのオープンソースのPythonライブラリ
• Authors: Tushar Lone, Neha Karanjkar,
• Abstract要約: supplyNetPyは、サプライチェーンネットワークのモデリングと離散イベントシミュレーションのためのPythonライブラリである。 本稿では,サプライネットPyのモチベーション,設計,鍵となる特徴,アーキテクチャについて述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces SupplyNetPy, an open-source, well-documented Python library for modeling and discrete-event simulation of supply chain networks with arbitrary multi-echelon structures. It supports multiple replenishment policies, perishable inventory, node disruptions, and stochastic demand and lead times. All components are extensible via inheritance. Users describe a supply chain as a graph with node and link attributes, while the library handles simulation, providing logs and extensive node and network level performance reports. This paper presents the motivation, design, key features, and architecture of SupplyNetPy, along with detailed validation results (against analytical benchmarks, a commercial tool, and a published case study). A key motivation behind SupplyNetPy's development is programmatic generation and simulation of complex models, enabling design-space exploration, what-if analysis, training data generation, and supply chain digital twins.
• Abstract（参考訳）: 本稿では、任意のマルチエケロン構造を持つサプライチェーンネットワークのモデリングと離散イベントシミュレーションのための、オープンソースのPythonライブラリであるRe supplyNetPyを紹介する。 複数の補充ポリシ、分かりやすい在庫、ノードの破壊、確率的需要とリードタイムをサポートする。 すべてのコンポーネントは継承によって拡張可能である。 ユーザはサプライチェーンをノードとリンク属性を備えたグラフとして記述し、ライブラリはシミュレーションを処理し、ログと広範なノードとネットワークレベルのパフォーマンスレポートを提供する。 本稿では,サプライネットPyのモチベーション,設計,鍵となる特徴,アーキテクチャ,詳細な検証結果(分析ベンチマーク,商用ツール,公開事例研究など)を紹介する。 サプライネットパイの開発の背後にある重要な動機は、複雑なモデルのプログラム生成とシミュレーションであり、設計空間探索、何f分析、トレーニングデータ生成、サプライチェーンのデジタルツインを可能にする。

関連論文リスト

• Graph Signal Diffusion Models for Wireless Resource Allocation [74.84410305593006]
  グラフ構造干渉を用いた無線ネットワークにおける制約付きエルゴディック資源最適化について検討する。 生成した電力割り当ての時間的共有は、ほぼ最適のエルゴディック・サムレートユーティリティとほぼ実現可能なエルゴディック・ミニマルレートを実現する。
  論文  参考訳（メタデータ） (2026-04-06T21:12:25Z)
• Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
  文書理解は、財務分析から科学的発見への応用に不可欠である。 現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。 Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
  論文  参考訳（メタデータ） (2025-10-17T02:33:16Z)
• Loong: Synthesize Long Chain-of-Thoughts at Scale through Verifiers [103.4410890572479]
  スケーラブルな合成データ生成と検証のためのオープンソースのフレームワークであるLoong Projectを紹介します。 LoongBenchは、12のドメインにまたがる8,729の人為的なサンプルを含む、キュレートされたシードデータセットである。 LoongEnvはモジュラー合成データ生成環境であり、新しい質問応答コードのトリプルを生成する複数のプロンプト戦略をサポートする。
  論文  参考訳（メタデータ） (2025-09-03T06:42:40Z)
• 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)
• An Empirical Analysis of Machine Learning Model and Dataset Documentation, Supply Chain, and Licensing Challenges on Hugging Face [20.15816321359636]
  人気のモデル共有サイトHugging Faceから抽出された760,460モデルと175,000のデータセットを広範囲に分析する。 我々は、Hugging Faceサプライチェーンにおけるドキュメンテーションの現状を評価し、欠陥の実例を報告し、改善のための実用的な提案を提供する。 我々の研究結果は、MLモデル/データセットのライセンス管理の改善など、複数の研究の道のりを動機付けています。
  論文  参考訳（メタデータ） (2025-02-06T20:17:05Z)
• Optimizing Supply Chain Networks with the Power of Graph Neural Networks [0.0]
  グラフニューラルネットワーク(GNN)は、複雑なリレーショナルデータをモデリングするための変換ツールとして登場した。 本稿では,サプライチェーンネットワークにおける需要予測へのGNNの適用について,サプライグラフデータセットを用いて検討する。
  論文  参考訳（メタデータ） (2025-01-07T02:31:24Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• Transformer Architecture for NetsDB [0.0]
  我々はNetsDBで機能するディープラーニングモデルのためのトランスフォーマーのエンドツーエンド実装を作成します。 分散処理、デプロイメント、効率的な推論のために、当社のモデルから重みをロードします。
  論文  参考訳（メタデータ） (2024-05-08T04:38:36Z)
• Convolutional Learning on Multigraphs [153.20329791008095]
  我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。 情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。 我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。 導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2022-09-23T00:33:04Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Graph Neural Networks in TensorFlow and Keras with Spektral [18.493394650508044]
  Spektralは、グラフニューラルネットワークを構築するためのオープンソースのPythonライブラリである。 メッセージパッシングやプール演算子など,グラフの深層学習のための多数のメソッドを実装している。 絶対的な初心者や専門的なディープラーニング実践者にも適しています。
  論文  参考訳（メタデータ） (2020-06-22T10:56:22Z)

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。