基于图神经网络的供应链生产函数学习
机器学习
2025-02-26 v3 计算机与社会
社会与信息网络
摘要
全球经济依赖商品在供应链网络中的流动，网络节点代表企业，网络边代表企业之间的交易。虽然我们可以观测到这些外部交易，但它们受制于不可见的生产函数，这些函数决定了企业如何内部将收到的输入产品转化为出售的输出产品。在这种情况下，推断这些生产函数对于提高供应链可见性和更准确地预测未来交易具有极大价值。然而，现有的图神经网络（GNN）无法捕捉节点输入与输出之间这些隐藏关系。本文提出了一种新型模型，通过将时序图神经网络与一种新颖的库存模块相结合，后者通过注意力权重和特殊损失函数学习生产函数。我们在真实供应链数据以及来自我们全新开源模拟器 SupplySim 生成的数据上进行了广泛评估。我们的模型成功地推断了生产函数，相较于最强基线方法提升了 6%~50%（跨数据集），并预测了未来交易，相较于最强基线提升了 11%~62%。
引用
@article{arxiv.2407.18772,
title = {Learning production functions for supply chains with graph neural networks},
author = {Serina Chang and Zhiyin Lin and Benjamin Yan and Swapnil Bembde and Qi Xiu and Chi Heem Wong and Yu Qin and Frank Kloster and Alex Luo and Raj Palleti and Jure Leskovec},
journal= {arXiv preprint arXiv:2407.18772},
year = {2025}
}
备注
This is the extended version of a paper accepted to AAAI 2025, AI for Social Impact Track (oral)