使用数据估值方法优化产品来源验证

确定和验证产品来源仍是全球供应链中的关键挑战，特别是随着地缘政治冲突和边界变动带来新的欺诈报告动机，如隐藏非法伐木或盗窃农产品的来源。稳定同位素比分析（SIRA）结合基于高斯过程回归的等温图（isoscapes）已成为地理来源验证的强大工具。尽管这些模型在支持监管机构、认证机构和公司的运营环境中已被部署，但仍受数据稀缺和次优数据集选择的限制。本文引入了一种新型已部署数据估值框架，用于增强应用于SIRA的机器学习模型在训练数据选择和利用方面的效果。通过计算单个样本的边际效用（Shapley值），该方法指导活跃监测计划中的战略、成本效益和稳健抽样。通过优先选择高信息样本，该方法提高了模型在不同数据集和地理位置上的鲁棒性和预测准确性。该框架已在目前用于执法机构的活跃来源验证系统中实现并验证。通过大量实验和在活跃来源验证系统中的部署，我们展示该系统显著提升了来源验证，缓解了欺诈性贸易行为，并加强了全球供应链的监管执法。