AI-Driven Intelligent Assessment System for Supply Chain Risk Visualization Using Image Segmentation and Graph Neural Networks
Notice bibliographique
Résumé
In the context of global supply chains facing multiple risk shocks such as natural disasters and geopolitical instability, traditional risk assessment methods reliant on manual analysis and static data face challenges such as information latency and insufficient visualization capabilities.These issues hinder their ability to address the uncertainty and transmission of risks.Existing research in supply chain risk assessment has significant limitations: U-Netbased segmentation algorithms lack adaptive mechanisms for scale adjustment, resulting in insufficient accuracy in extracting multi-scale features from complex supply chain risk visualization images; attention-based methods like CLIP cannot achieve deep semantic associations between images and language; and risk matrix methods fail to dynamically adapt to changes in supply chain network topology.To address these challenges, this paper focuses on an AI-driven intelligent evaluation system for supply chain risk visualization, proposing a three-layer technical architecture: "feature extraction-fusion reasoningevaluation output."At the bottom layer, an improved central difference convolution (CDC) operator is proposed to extract multi-scale features from images; the middle layer constructs a bi-directional image-language mapping network based on graph neural networks (GNNs) for cross-modal fusion; the top layer generates three-dimensional risk assessment outputs by integrating image segmentation results.The innovations of this study are: 1) the proposed improvement mechanism enhances the completeness and accuracy of complex image feature extraction; 2) the establishment of a deep image-language fusion model driven by GNNs addresses the issue of insufficient semantic association; and 3) the creation of dynamic and intuitive risk assessment outputs.This research provides a new technological path for supply chain risk visualization and assessment, improving both the accuracy and response efficiency of risk evaluations, while enriching the theoretical applications of crossmodal learning in industrial scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».