结合图神经网络与联邦学习的分析驱动型供应链可见性增强方法

在当今的全球化贸易中，供应链构成了跨越多个组织甚至国家的复杂网络，使其极易受到中断的影响。近期全球危机凸显了这些脆弱性，强调了提高供应链可见性和韧性的迫切需求。然而，由于隐私、安全和监管方面的顾虑，数据共享的限制往往阻碍了组织或国家之间实现全面可见性。此外，大多数现有研究集中在单个企业或产品级别的网络上，忽略了现实供应链中不同实体之间多方面的相互作用，从而限制了对供应链动态的整体理解。为了应对这些挑战，我们提出了一种集成联邦学习 (FL) 和图卷积神经网络 的新方法，通过供应链知识图谱中的关系预测来增强供应链可见性。FL 通过在不要求交换原始数据的情况下促进信息共享，实现了跨国界的协作模型训练，确保遵守隐私法规并维护数据安全。GCN 赋予了该框架捕获知识图谱内复杂关系模式的能力，从而能够进行准确的链路预测，以揭示隐藏的连接并为供应链网络提供全面的洞察。实验结果验证了所提方法的有效性，证明了其能够准确预测国家级供应链知识图谱内的关系。这种增强的可见性支持可操作的洞察，促进主动风险管理，并有助于开发具有韧性和适应性的供应链战略，确保供应链更好地应对全球经济的复杂性。