HKTGNN：基于层次知识可迁移图神经网络的供应链风险评估
机器学习
2023-11-09 v1 人工智能
摘要
供应链的实力是衡量国家或地区技术进步与综合竞争力的重要指标。建立供应链风险评估模型以有效管理和缓释潜在风险已变得愈发关键。随着企业数量增长，重要关系变得更为复杂且难以度量。这凸显了从图数据中提取相关信息的必要性。此前，学者多借助知识推理提升供应链中节点间关联的可见性。然而，他们未能解决单节点特征的数据饥渴问题。我们提出基于层次知识可迁移图神经网络（HKTGNN）的供应链风险评估模型以应对上述问题。我们的方法基于现有图嵌入方法进行企业投资风险评估。我们利用图嵌入模块嵌入供应链中对应单个商品的供应链网络，得到仅含产品节点的有向同构图。这将复杂供应链网络化简为基本产品网络。它借助基于中心性的域差异知识可迁移模块解决困难，该模块由供应链特征在真实世界中可能存在偏置的前提所提出。同时，特征补全与消息传递将缓解由域差异驱动的数据饥渴问题。我们的模型在真实世界供应链数据集上的实验中表现优于其他模型。我们将给出一个方程以证明我们的对比实验既有效又公平。
引用
@article{arxiv.2311.04244,
title = {HKTGNN: Hierarchical Knowledge Transferable Graph Neural Network-based Supply Chain Risk Assessment},
author = {Zhanting Zhou and Kejun Bi and Yuyanzhen Zhong and Chao Tang and Dongfen Li and Shi Ying and Ruijin Wang},
journal= {arXiv preprint arXiv:2311.04244},
year = {2023}
}
备注
11pages, 3 figures, accepted and submitted by IEEE ISPA 2023(The 21st IEEE International Symposium on Parallel and Distributed Processing with Applications)