[논문 리뷰] Data Considerations in Graph Representation Learning for Supply Chain Networks

Ajmal Aziz, Edward Elson Kosasih외 2명|arXiv (Cornell University)|2021. 07. 22.

Advanced Graph Neural Networks참고 문헌 26인용 수 9

한 줄 요약

이 논문은 공급망 네트워크를 위한 학습 가능한 임베딩을 갖춘 이종 지식 그래프 표현을 제안하며, 관계 기반 그래프 컨볼루션 네트워크를 사용하여 다양한 관계 유형에서 최신 기술 수준의 링크 예측 성능를 달성한다—'makes_product' 관계에서 AUC 0.989, 'buys_from' 관계에서 AUC 0.877를 기록하며, 은폐된 종속성과 윤리적 리스크 탐지 기능을 제공한다.

ABSTRACT

Supply chain network data is a valuable asset for businesses wishing to understand their ethical profile, security of supply, and efficiency. Possession of a dataset alone however is not a sufficient enabler of actionable decisions due to incomplete information. In this paper, we present a graph representation learning approach to uncover hidden dependency links that focal companies may not be aware of. To the best of our knowledge, our work is the first to represent a supply chain as a heterogeneous knowledge graph with learnable embeddings. We demonstrate that our representation facilitates state-of-the-art performance on link prediction of a global automotive supply chain network using a relational graph convolutional network. It is anticipated that our method will be directly applicable to businesses wishing to sever links with nefarious entities and mitigate risk of supply failure. More abstractly, it is anticipated that our method will be useful to inform representation learning of supply chain networks for downstream tasks beyond link prediction.

연구 동기 및 목표

• 불완전한 데이터와 기업의 비밀스러운 행동으로 인해 확장된 공급망 네트워크에 대한 가시성이 부족한 문제를 해결하기 위해.
• 단일 관계 유형을 넘어서 다양한 종류의 종속성을 포괄하는 학습 가능한 이종 지식 그래프 표현을 개발하기 위해.
• 관계 기반 그래프 신경망을 활용하여 공급망 네트워크의 링크 예측 성능를 향상시키기 위해.
• 기업이 위험한 공급자를 사전에 식별하고 공급망 차질을 완화할 수 있도록 하기 위해.
• 기존의 수작업 히ュ리스틱이나 제한된 관계 유형을 갖는 동종 그래프에 의존하는 방법들을 넘어서기 위해.

제안 방법

• 저자는 공급망 데이터에서 이종 지식 그래프를 구축하며, 다양한 노드 유형(예: 기업, 제품, 능력)과 관계 유형(예: buys_from, makes_product, has_cert)을 포함한다.
• 이종 그래프 구조에서 저차원의 맥락 인식 노드 임베딩을 학습하기 위해 관계 기반 그래프 컨볼루션 네트워크(R-GCN)를 적용한다.
• 링크 예측은 이진 분류 작업으로 설정되며, 모델은 삼중항 (u, τ, v)이 지식 그래프 내 진짜 간선일 가능성을 점수로 평가한다.
• 음성 샘플은 표준 인도적 학습 프rotocol에 따라 생성되며, 소스 또는 타겟 노드를 무작위로 섞거나 관계 유형을 교체하는 방식을 사용한다.
• 모델은 교차 검증(70% 훈련, 20% 검증, 10% 테스트)을 사용하여 훈련되며, ROC 곡선 아래 면적(AUC)을 평가 지표로 사용한다.
• 이 방법은 엔드 투 엔드로 데이터 기반으로 누락되거나 은폐된 공급자 관계를 탐지할 수 있으며, 다단계 종속성까지도 포함한다.

실험 결과

연구 질문

• RQ1 학습 가능한 임베딩을 갖춘 이종 지식 그래프 표현이 동종 그래프 기반 모델 대비 공급망 네트워크에서 링크 예측 성능를 향상시킬 수 있는가?
• RQ2 관계 기반 그래프 컨볼루션 네트워크가 'buys_from' 관계 외에도 다양한 종류의 공급망 종속성을 얼마나 잘 탐지할 수 있는가?
• RQ3 SNLP와 같은 기존 최신 기술 수준의 접근법과 비교해 볼 때, 다양한 관계 유형에서 AUC 성능는 어떻게 비교되는가?
• RQ4 복잡한 공급망에서 링크 예측 정확도에 대해 학습 가능한 임베딩과 수작업 히ュ리스틱 간의 영향은 어떠한가?
• RQ5 이 프레임워크는 원시 조달 데이터에 기록되지 않은 은폐된 종속성, 예를 들어 2단계 또는 3단계 공급자 관계를 탐지할 수 있는가?

주요 결과

• 제안된 방법은 'makes_product' 관계에서 테스트 세트에서 AUC 0.989를 기록하며, 이는 이전 최고 성능(SOTA)의 'buys_from' 관계에서의 AUC 0.76를 크게 뛰어넘는 성과이다.
• 모델은 다양한 관계 유형으로 일반화되며, 테스트 세트에 재학습 없이도 높은 AUC 점수(예: 'makes_product'에서 0.989, 'buys_from'에서 0.877)를 기록한다.
• 이전에 연구되지 않은 새로운 관계 유형, 예를 들어 'complimentary_product_to'(테스트에서 AUC 1.000)와 'capability_produces'(테스트에서 AUC 1.000)에 대해서도 뛰어난 성능를 보인다.
• 이종 그래프 표현은 이전에 알려지지 않은 종속성, 예를 들어 간접 공급자 연결(예: 2단계 또는 3단계 공급자)을 탐지할 수 있게 하며, 전통적인 데이터에서는 보이지 않는 종속성을 드러낸다.
• 관계 기반 GNN 프레임워크 내에서 학습 가능한 임베딩을 사용할 경우, 특히 다중 관계 설정에서 수작업 히ュ리스틱 기반 모델 대비 뛰어난 성능를 보인다.
• 이 방법은 리스크 완화에 유망한 잠재력을 보이며, 기업이 비윤리적 행동에 연루된 공급자나 단일 공급자에 대한 과도한 의존도를 식별하는 데 도움을 줄 수 있다.