生物発覚ネットワークに基づく知的マルチタスクサプライチェーンモデル

arXiv:2510.26203v2 Announce Type: replace 要約：サプライチェーンの持続可能性は、サプライチェーンの制御における最適な性能達成に不可欠な要素である。サプライチェーンに生じるリスク管理は、ネットワークの持続可能性を高め、サプライチェーンの性能効率を向上させるための基盤的な問題である。製品の正解分類は、持続可能なサプライチェーンにおいて別の重要な要素である。最近のディープネットワークの進展を踏まえ、いくつかのアプローチがサプライチェーンデータの解析に適用されている。新しい幾何学的ディープネットが、集約型ディープネットの提案のために使用された。提案されたチェビシェフ集約幾何ネットワーク（Ch-EGN）は、ハイブリッドコネクションと幾何学ディープ学習である。このネットワークは、サプライチェーンの依存関係を活用し、データベース内のサンプルの不可視状態を導くように提案されている。提案されたディープネットの機能は、2 つの異なるデータベースで評価された。サプライグラフデータセットとデータ Co は、この研究で考慮されている。データ Co サプライチェーンの配送状態予測は、リスク管理のために実施された。製品分類とエッジ分類は、サプライグラフデータベースを使用して実施され、サプライネットワークの持続可能性を強化した。集約ネットワークにおけるリスク管理のための平均精度は 98.95% である。5 つの製品グループ分類および 4 つの製品関係分類におけるサプライチェーンの持続可能性における平均精度は、それぞれ 100% および 98.07% である。25 つの会社関係分類における平均精度は 92.37% である。結果は、提案された方法が、最先进的アプローチと比較して平均的な向上と効率を証明している。

arXiv:2510.26203v2 Announce Type: replace Abstract: The sustainability of supply chain plays a key role in achieving optimal performance in controlling the supply chain. The management of risks that occur in a supply chain is a fundamental problem for the purpose of developing the sustainability of the network and elevating the performance efficiency of the supply chain. The correct classification of products is another essential element in a sustainable supply chain. Acknowledging recent breakthroughs in the context of deep networks, several architectural options have been deployed to analyze supply chain datasets. A novel geometric deep network is used to propose an ensemble deep network. The proposed Chebyshev ensemble geometric network (Ch-EGN) is a hybrid convolutional and geometric deep learning. This network is proposed to leverage the information dependencies in supply chain to derive invisible states of samples in the database. The functionality of the proposed deep network is assessed on the two different databases. The SupplyGraph Dataset and DataCo are considered in this research. The prediction of delivery status of DataCo supply chain is done for risk administration. The product classification and edge classification are performed using the SupplyGraph database to enhance the sustainability of the supply network. An average accuracy of 98.95% is obtained for the ensemble network for risk management. The average accuracy of 100% and 98.07% are obtained for sustainable supply chain in terms of 5 product group classification and 4 product relation classification, respectively. The average accuracy of 92.37% is attained for 25 company relation classification. The results confirm an average improvement and efficiency of the proposed method compared to the state-of-the-art approaches.