An adaptive recognition method for reliable collaboration of manufacturing services based on edge-aggregated graph convolutional network
Notice bibliographique
Résumé
Current methods for assessing the reliability of Manufacturing Service Collaboration Chain (MSCC) primarily rely on service quality metrics and numerical calculations. However, these traditional methods face significant challenges in practical applications. This is due to idealised assumptions inherent in the definition of reliability, the often-low quality of historical data, and factors such as the coupling of service physical attributes, the flexibility of collaboration patterns, and the dynamic changes in MSCC topology. To overcome the aforementioned problems and enhance the accuracy and comprehensiveness of MSCC reliability assessment, this paper proposes an Reliable Collaboration Adaptive Recognition Network (RCEN). The RCEN introduces an improved graph convolutional neural network architecture, integrating a deep feature extraction mechanism with an optimised node information aggregation strategy. This method fully leverages the advantages of graph data in modelling complex service dependencies. It constructs a dynamic MSCC graph based on high-frequency historical operational data from the manufacturing process, where nodes and edges characterise the physical and operational attributes of manufacturing shop-floor services, respectively. Specifically, the graph construction method captures the inherent service collaboration patterns within manufacturing workflows. Combined with domain-specific quality metrics, it exhibits strong generality and scalability. Experimental results on multiple benchmark datasets demonstrate that the proposed method significantly outperforms three representative state-of-the-art methods in the task of MSCC reliability identification.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».