論文の概要: On the Potential of Graph Neural Networks as Metamodels for Supply Chain Optimization: Dataset, Architectures, and Directions
- arxiv url: http://arxiv.org/abs/2607.16769v1
- Date: Sat, 18 Jul 2026 11:06:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.257125
- Title: On the Potential of Graph Neural Networks as Metamodels for Supply Chain Optimization: Dataset, Architectures, and Directions
- Title（参考訳）: サプライチェーン最適化のためのメタモデルとしてのグラフニューラルネットワークの可能性:データセット,アーキテクチャ,方向性
- Abstract要約: グラフニューラルネットワーク(GNN)は、構造化システムのための強力な、微分可能な学習モデルのクラスとして登場した。
本稿では,基礎を築き,最初の段階を示し,重要な研究の方向性について論じる。
- 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: Graph Neural Networks (GNNs) have emerged as a powerful, differentiable class of learning models for graph-structured systems. Their ability to generalize across topologies opens the prospect of a surrogate for combined structural and parametric optimization, which classical metamodels cannot offer. Supply chains are a natural target, yet the use of GNN surrogates for supply chain problems is largely unexplored. This paper lays the foundation, presents initial steps, and discusses key research directions. As a foundation, we formulate the problem and create a large public training dataset of programmatically generated supply chain graphs with input parameters and steady-state performance metrics obtained using our SupplyNetPy simulation library. As initial steps, we explore GNN architectures that work well as surrogates for node- and network-level predictions, and analyze their accuracy-compute trade-off against simulation. Most importantly, we outline the exciting directions this opens, namely gradient-based optimization over topology, fast design-space exploration, and sensitivity analysis.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化システムの強力な微分可能な学習モデルとして登場した。
トポロジをまたいで一般化する能力は、古典的なメタモデルでは提供できないような構造とパラメトリックの最適化を組み合わせたサロゲートの可能性が開ける。
サプライチェーンは自然の標的であるが、サプライチェーン問題に対するGNNサロゲートの使用は明らかにされていない。
本稿では,基礎を築き,最初の段階を示し,重要な研究の方向性について論じる。
基礎として、我々は問題を定式化し、我々のサプライネットPyシミュレーションライブラリを用いて、入力パラメータと定常的なパフォーマンス指標を用いてプログラム的に生成されたサプライチェーングラフの大規模な公開トレーニングデータセットを作成する。
最初のステップとして、ノードレベルの予測やネットワークレベルの予測のサロゲートとして機能するGNNアーキテクチャを探索し、シミュレーションに対する精度と計算のトレードオフを分析する。
最も重要なことは、トポロジに対する勾配に基づく最適化、高速な設計空間探索、感度解析といった、オープンな方向性を概説することです。
関連論文リスト
- A Roadmap for Applying Graph Neural Networks to Numerical Data: Insights from Cementitious Materials [5.565428903960444]
この研究は、コンクリートを設計するためのグラフニューラルネットワーク(GNN)モデルを実装するための最初の数少ない研究の1つである。
GNNはグラフとして構造化されたデータから学習し、不規則またはトポロジに依存した接続を通じて関係をキャプチャする。
提案するフレームワークは、将来のマルチモーダルおよび物理インフォームドGNNモデルの強力な基盤を確立する。
論文 参考訳（メタデータ） (2025-12-16T19:17:05Z) - On the Impact of Graph Neural Networks in Recommender Systems: A Topological Perspective [49.391877616394765]
レコメンデーションシステムでは、ユーザと項目の相互作用を二部グラフとしてモデル化することができる。
このグラフに基づくビューは、グラフニューラルネットワーク(GNN)の急速な採用を動機付けている。
実証的な成功にもかかわらず、GNNが他のアプローチに対して体系的な優位性を提供する理由は、まだ部分的にしか理解されていない。
論文 参考訳（メタデータ） (2025-12-08T10:19:43Z) - Prefetching Cache Optimization Using Graph Neural Networks: A Modular Framework and Conceptual Analysis [0.0]
本稿では、グラフ構造化データ内のアクセスパターンをモデル化し、予測するためにグラフニューラルネットワーク(GNN)を利用するモジュラーフレームワークを提案する。
複雑な依存関係を学習することで、GNNベースのアプローチが従来の手法より優れていることを示す、詳細な概念分析を提供する。
論文 参考訳（メタデータ） (2025-10-23T10:35:35Z) - A Graph Laplacian Eigenvector-based Pre-training Method for Graph Neural Networks [7.359145401513628]
構造に基づく事前学習手法は、基礎となるグラフ構造に依存した下流アプリケーションには不十分だが不可欠である。
グラフラプラシアンの低周波固有ベクトルの予測に基づくグラフニューラルネットワーク(GNN)のための新しい事前学習モジュールであるラプラシア固有ベクトル学習モジュール(LELM)を提案する。
LELMはオーバースムーシングを克服する新しいアーキテクチャを導入し、GNNモデルが長距離相互依存性を学習できるようにする。
論文 参考訳（メタデータ） (2025-09-02T20:07:20Z) - 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) - Interpretable A-posteriori Error Indication for Graph Neural Network Surrogate Models [0.0]
本稿では,グラフニューラルネットワーク(GNN)の解釈可能性向上手法を提案する。
最終結果は、予測タスクに本質的に関連付けられたサブグラフに対応する物理空間内の領域を分離する解釈可能なGNNモデルである。
解釈可能なGNNは、推論中に予測される予測エラーの大部分に対応するグラフノードを特定するためにも使用できる。
論文 参考訳（メタデータ） (2023-11-13T18:37:07Z) - GraphGLOW: Universal and Generalizable Structure Learning for Graph
Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。
一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。
十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文 参考訳（メタデータ） (2023-06-20T03:33:22Z) - GNN at the Edge: Cost-Efficient Graph Neural Network Processing over
Distributed Edge Servers [24.109721494781592]
グラフニューラルネットワーク(GNN)はまだ探索中であり、その広範な採用に対する大きな違いを示している。
本稿では,多層ヘテロジニアスエッジネットワーク上での分散GNN処理のコスト最適化について検討する。
提案手法は, 高速収束速度で95.8%以上のコスト削減を行い, デファクトベースラインよりも優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2022-10-31T13:03:16Z) - A Comprehensive Study on Large-Scale Graph Training: Benchmarking and
Rethinking [124.21408098724551]
グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である
本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。
提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
論文 参考訳（メタデータ） (2022-10-14T03:43:05Z) - MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。
我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文 参考訳（メタデータ） (2022-08-21T15:12:08Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2020-10-06T01:20:27Z)
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。