复杂装配的表征学习：提高企业范围内第三方排放计算的努力
计算机与社会
2024-09-09 v1 机器学习
摘要
气候变化是政府、企业和公众迫在眉睫的全球性议题。这一关切进一步凸显了这些主体准确评估制造商品和提供服务环境影响的必要性。像过程生命周期分析（pLCA）这类工具用于评估生产、使用和处置阶段的环境影响，涵盖从原材料开采到终端报废的全过程。pLCA 还使实践者能够深入探讨单个零部件、子组件、组件及最终产品的材料选择或制造工艺。产品或研究对象的生命周期阶段和工艺的可靠且详细数据并非总是可用或可获取的，导致环境影响评估不准确。为克服数据限制并增强 pLCA 的有效性，以生成更精确的环境影响概览，我们采取一种创新策略，通过识别在形式、功能和性能方面具有相似性的替代性零部件、产品和组件。聚焦企业电子硬件，我们提出一种基于半监督学习的框架，用于识别替代零部件，利用产品账单（BOM）数据和少量组件级合格替代数据（正样本），生成机器知识图（MKG）并学习构成电子硬件的组件的有效嵌入。我们的 метод论基于属性图嵌入，引入生成偏置负样本的策略，以显著增强训练过程。我们展示了在已发表模型之上的改进性能和更好的泛化能力。
引用
@article{arxiv.2409.03769,
title = {Representation Learning of Complex Assemblies, An Effort to Improve Corporate Scope 3 Emissions Calculation},
author = {Ajay Chatterjee and Srikanth Ranganathan},
journal= {arXiv preprint arXiv:2409.03769},
year = {2024}
}