面向供应链的神经符号特征提取用于识别强迫劳动
人工智能
2025-07-11 v1 机器学习
计算机科学中的逻辑
摘要
供应链网络是复杂系统，分析具有挑战性；当涉及非法活动（如仿冒零部件、强迫劳动或人口贩运）时，问题更加棘手。虽然机器学习（ML）能够发现此类复杂系统中的模式，但传统ML方法需要大量训练数据。然而，非法供应链的数据稀疏且常被（有意为之）篡改或不可靠以隐藏活动性质。我们需要能够在无需大量训练数据的前提下，自动发现与此类非法活动相关的新模式，这些模式可能涉及复杂甚至是时序数据。我们探索神经符号方法用于识别供应链中的非法活动实例，比较手动与自动从新闻文章中提取特征的效果——这些文章准确描述了当局披露的非法活动。我们提出一种基于问题树（question tree）的方法，通过查询大语言模型（LLM）来识别并量化新闻文章的相关性，从而系统评估人类与机器对新闻文章进行的分类在强迫劳动供应链方面的差异。
引用
@article{arxiv.2507.07217,
title = {Neurosymbolic Feature Extraction for Identifying Forced Labor in Supply Chains},
author = {Zili Wang and Frank Montabon and Kristin Yvonne Rozier},
journal= {arXiv preprint arXiv:2507.07217},
year = {2025}
}