特許ウォッチ

公開番号2024167887
公報種別公開特許公報(A)
公開日2024-12-04
出願番号2024076248
出願日2024-05-09
発明の名称マルチバリューチェーン進化の予測方法、システムおよび記憶媒体
出願人成都理工大学
代理人個人
主分類G06N 3/098 20230101AFI20241127BHJP(計算;計数)
要約【課題】マルチバリューチェーン進化の予測方法、システムおよび記憶媒体を提供する。
【解決手段】分散連携時系列グラフニューラルネットワークにおいて、バリューチェーン中の主体である各クライアントは、ローカルなオリジナルデータを共有しない前提下で、クライアンのトローカルなオリジナルデータに基づいて、サーバーは分散連携時系列グラフニューラルネットワークモデル訓練に参加する各クライアントと相互に作用し、分散連携時系列グラフニューラルネットワークモデルを訓練し、クライアントは該モデルに基づいて各主体の状態および各主体間の関係を動的に予測する。
【選択図】図2
特許請求の範囲【請求項１】
分散連携時系列グラフニューラルネットワークモデル訓練に参加するクライアント中の各
クライアントについて、前記各クライアントは、歴史時点における前記各クライアントの
分散時系列グラフデータおよび前記各クライアントの隣接するクライアントが位置するノ
ードの特徴ベクトルに基づいて、前記各クライアントが位置するノードの特徴ベクトルを
生成し、前記特徴ベクトルは前記各クライアントが位置するノードと前記各クライアント
の隣接するクライアントが位置するノード間のエッジの情報を特徴付けるために使用され
、各クライアントの分散時系列グラフデータは、前記各クライアントが位置するノードの
ノード情報および前記各クライアントが位置するノードと前記各クライアントの隣接する
クライアントが位置するノード間のエッジの情報を含むこと、
前記各クライアントは、前記各クライアントが位置するノードの特徴ベクトルに基づいて
、前記各クライアントの分散連携時系列グラフニューラルネットワークモデルのローカル
ネットワークパラメータを生成し、前記ローカルネットワークパラメータをサーバーに送
信すること、
前記サーバーは、各クライアントから送信された前記ローカルネットワークパラメータに
基づいて、前記分散連携時系列グラフニューラルネットワークモデルのグローバルネット
ワークパラメータを取得し、前記グローバルネットワークパラメータを前記各クライアン
トにブロードキャストすること、
前記各クライアントは、前記グローバルネットワークパラメータを用いて前記各クライア
ントの分散連携時系列グラフニューラルネットワークモデルのネットワークパラメータを
更新し、現在時点での前記各クライアントの分散時系列グラフデータを更新後の分散連携
時系列グラフニューラルネットワークモデルに入力し、前記各クライアントが位置するノ
ードと前記各クライアントの隣接するクライアントが位置するノード間のエッジの予測値
を出力すること、を含む、ことを特徴とするマルチバリューチェーン進化の予測方法。
続きを表示（約 5,100 文字）【請求項２】
前記ローカルネットワークパラメータは少なくとも、ローカル重み、ローカル特徴変換行
列およびローカル損失を含み、
前記グローバルネットワークパラメータは少なくとも、グローバル重み、グローバル特徴
変換行列およびグローバル損失を含む、ことを特徴とする請求項１に記載の方法。
【請求項３】
前記分散連携時系列グラフニューラルネットワークモデルは特徴学習ネットワークおよび
ラベル予測ネットワークを含み、
ここで、前記特徴学習ネットワークは、歴史時点での前記各クライアントの分散時系列グ
ラフデータおよび前記各クライアントの隣接するクライアントが位置するノードの特徴ベ
クトルに基づいて、前記各クライアントが位置するノードの特徴ベクトルを出力するため
に使用され、前記ラベル予測ネットワークは、前記各クライアントが位置するノードの特
徴ベクトルに基づいて、前記各クライアントが位置するノードと前記各クライアントの隣
接するクライアントが位置するノードのエッジの予測値を出力するために使用され、前記
特徴学習ネットワークはメッセージパッシング層からなり、前記ラベル予測ネットワーク
は完全接続層からなる、ことを特徴とする請求項１または２に記載の方法。
【請求項４】
前記各クライアントがクライアント
JPEG
2024167887000318.jpg
5
3
である場合、前記クライアント
JPEG
2024167887000319.jpg
5
3
が位置するノードの特徴ベクトルは、
JPEG
2024167887000320.jpg
17
163
を満たし、ここで、
JPEG
2024167887000321.jpg
8
14
は
JPEG
2024167887000322.jpg
4
3
時点における前記クライアント
JPEG
2024167887000323.jpg
5
3
に対応する特徴学習ネットワークの第
JPEG
2024167887000324.jpg
5
3
層から出力された前記クライアントｉが位置するノードの特徴ベクトルを示し、
JPEG
2024167887000325.jpg
12
25
は
JPEG
2024167887000326.jpg
4
3
時点における前記クライアント
JPEG
2024167887000327.jpg
5
3
の隣接するクライアント
JPEG
2024167887000328.jpg
7
3
に対応する特徴学習ネットワークの第
JPEG
2024167887000329.jpg
5
15
層から出力された前記隣接するクライアント
JPEG
2024167887000330.jpg
7
3
が位置するノードの特徴ベクトルを示し、
JPEG
2024167887000331.jpg
10
25
は
JPEG
2024167887000332.jpg
4
3
時点における前記クライアント
JPEG
2024167887000333.jpg
5
3
に対応する特徴学習ネットワークの第
JPEG
2024167887000334.jpg
5
15
層から出力された前記クライアント
JPEG
2024167887000335.jpg
5
3
が位置するノードの特徴ベクトルを示し、
JPEG
2024167887000336.jpg
6
31
は集約演算を示し、
JPEG
2024167887000337.jpg
5
19
は線形演算を示し、
JPEG
2024167887000338.jpg
7
17
はローカル特徴変換行列を示す、ことを特徴とする請求項３に記載の方法。
【請求項５】
前記各クライアント
JPEG
2024167887000339.jpg
5
3
が位置するノードの特徴ベクトルは、
JPEG
2024167887000340.jpg
17
165
を示し、ここで、
JPEG
2024167887000341.jpg
8
14
は
JPEG
2024167887000342.jpg
4
3
時点における前記クライアント
JPEG
2024167887000343.jpg
5
3
に対応する特徴学習ネットワークの第
JPEG
2024167887000344.jpg
5
3
層から出力された前記クライアント
JPEG
2024167887000345.jpg
5
3
が位置するノードの特徴ベクトルを示し、
JPEG
2024167887000346.jpg
12
25
は
JPEG
2024167887000347.jpg
4
3
時点における前記クライアント
JPEG
2024167887000348.jpg
5
3
の隣接するクライアント
JPEG
2024167887000349.jpg
7
3
に対応する特徴学習ネットワークの第
JPEG
2024167887000350.jpg
5
15
層から出力された前記隣接するクライアント
JPEG
2024167887000351.jpg
7
3
が位置するノードの特徴ベクトルを示し、
JPEG
2024167887000352.jpg
10
25
は
JPEG
2024167887000353.jpg
4
3
時点における前記クライアント
JPEG
2024167887000354.jpg
5
3
に対応する特徴学習ネットワークの第
JPEG
2024167887000355.jpg
5
15
層から出力された前記クライアント
JPEG
2024167887000356.jpg
5
3
が位置するノードの特徴ベクトルを示し、
JPEG
2024167887000357.jpg
6
31
は集約演算を示し、
JPEG
2024167887000358.jpg
5
19
は線形演算を示し、
JPEG
2024167887000359.jpg
7
17
はローカル特徴変換行列を示し、
JPEG
2024167887000360.jpg
6
8
は前記クライアント
JPEG
2024167887000361.jpg
5
3
が位置するノードと前記クライアント
JPEG
2024167887000362.jpg
5
3
の隣接するクライアント
JPEG
2024167887000363.jpg
7
3
が位置するノード間の相関係数を示す、ことを特徴とする請求項３に記載の方法。
【請求項６】
前記各クライアントは、前記各クライアントが位置するノードの特徴ベクトルに基づいて
、前記各クライアントの分散連携時系列グラフニューラルネットワークモデルのローカル
ネットワークパラメータを生成することは、
前記各クライアントは、前記各クライアントが位置するノードの特徴ベクトルを前記各ク
ライアントに対応するラベル予測ネットワークに入力し、前記各クライアントが位置する
ノードと前記各クライアントの隣接するクライアントが位置するノード間のエッジの予測
値を生成すること、
前記各クライアントは、前記各クライアントが位置するノードと前記各クライアントの隣
接するクライアントが位置するノード間のエッジの予測値および前記エッジの真の値に基
づいて、前記分散連携時系列グラフニューラルネットワークモデルのローカル損失を決定
すること、
前記各クライアントは、前記ローカル損失に基づいて逆伝播を実行し、前記各クライアン
トの分散連携時系列グラフニューラルネットワークモデルのローカルネットワークパラメ
ータを生成すること、を含む、ことを特徴とする請求項３に記載の方法。
【請求項７】
前記方法は、
前記各クライアントが前記サーバーに前記分散連携時系列グラフニューラルネットワーク
モデルのローカル損失を送信すること、
前記サーバーが各クライアントから送信されたローカル損失に基づいて、前記分散連携時
系列グラフニューラルネットワークモデルのグローバル損失を決定すること、をさらに含
み、
前記サーバーが各クライアントから送信された前記ローカルネットワークパラメータに基
づいて、前記分散連携時系列グラフニューラルネットワークモデルのグローバルネットワ
ークパラメータを取得することは、
前記サーバーが各クライアントから送信された前記ローカルネットワークパラメータおよ
び前記グローバル損失に基づいて逆伝播を実行し、前記分散連携時系列グラフニューラル
ネットワークモデルのグローバルネットワークパラメータを取得すること、を含む、こと
を特徴とする請求項１または２に記載の方法。
【請求項８】
サーバーと複数のクライアントを備え、前記複数のクライアントは分散連携時系列グラフ
ニューラルネットワークモデルの訓練に参加し、前記サーバーは前記複数のクライアント
中の各クライアントと相互に作用して、請求項７に記載の方法を実行することにより、前
記分散連携時系列グラフニューラルネットワークモデルを訓練し、前記分散連携時系列グ
ラフニューラルネットワークモデルに基づいて、マルチバリューチェーン中の各クライア
ントが位置するノードと前記各クライアントの隣接するクライアントが位置するノード間
のエッジを予測する、ことを特徴とするマルチバリューチェーン進化の予測システム。
【請求項９】
コンピュータプログラム命令が記憶されており、前記コンピュータプログラム命令がマル
チコアプロセッサによって実行されると、前記マルチコアプロセッサに請求項７に記載の
方法を実行させる、ことを特徴とするコンピュータ可読記憶媒体。

発明の詳細な説明【技術分野】
【０００１】
本発明は、人工知能の分野に属し、具体的に、マルチバリューチェーン進化の予測方法、
システムおよび記憶媒体に関する。
続きを表示（約 4,900 文字）【背景技術】
【０００２】
機械ハードウェアの性能の大幅な向上により、ニューラルネットワークに基づく深層学習
手法は、知的推薦やネットワーク性能予測などの分野で大きな成功を収めているが、既存
の予測手法は動的な時間遅延を考慮することはほとんどなく、ニューラルネットワークの
トポロジーを考慮して予測を行うことがほとんどであり、時間と共に変化する情報を出力
することができない。
社会の各主体が、データコンプライアンス、商業秘密、情報セキュリティ、ビジネス競争
などの問題に関心を寄せる中、マルチバリューチェーンの上流・下流に位置する各会社・
企業・個人は、自社のオリジナルデータを開示したがらず、その結果、上流・中流・下流
のデータ共有度が低く、大量のデータが十分に活用されず、マルチバリューチェーンに位
置する会社・企業・個人は、他の主体間の関係を理解することが難しい。そのため、各主
体のオリジナルデータを取得することなく、いかに各主体間の関係を予測するかが、バリ
ューチェーンに関わる企業にとって喫緊の課題となっている。
【発明の概要】
【０００３】
本発明は、上記従来技術の問題点に鑑みてなされたものであり、バリューチェーン中の各
主体（例えば各クライアント）がローカルなオリジナルデータを共有しない前提下で、各
主体の状態および各主体間の関係を動的に予測することができるマルチバリューチェーン
進化の予測方法、システムおよび記憶媒体を提供する。
本発明は以下の解決策を提供する。
一実施例では、本発明は、以下のことを含むマルチバリューチェーン進化の予測方法を提
供し、分散連携時系列グラフニューラルネットワークモデル訓練に参加するクライアント
中の各クライアントについて、前記各クライアントは、歴史時点における前記各クライア
ントの分散時系列グラフデータおよび前記各クライアントの隣接するクライアントが位置
するノードの特徴ベクトルに基づいて、前記各クライアントが位置するノードの特徴ベク
トルを生成し、前記特徴ベクトルは前記各クライアントが位置するノードと前記各クライ
アントの隣接するクライアントが位置するノード間のエッジの情報を特徴付けるために使
用され、各クライアントの分散時系列グラフデータは、前記クライアントが位置するノー
ドのノード情報および前記各クライアントが位置するノードと前記各クライアントの隣接
するクライアントが位置するノード間のエッジの情報を含み、前記各クライアントは、前
記各クライアントが位置するノードの特徴ベクトルに基づいて、前記各クライアントの分
散連携時系列グラフニューラルネットワークモデルのローカルネットワークパラメータを
生成し、前記ローカルネットワークパラメータをサーバーに送信し、さらに、前記サーバ
ーは、各クライアントから送信された前記ローカルネットワークパラメータに基づいて、
前記分散連携時系列グラフニューラルネットワークモデルのグローバルネットワークパラ
メータを取得し、前記グローバルネットワークパラメータを前記各クライアントにブロー
ドキャストし、最後に、前記各クライアントは、前記グローバルネットワークパラメータ
を用いて前記各クライアントの分散連携時系列グラフニューラルネットワークモデルのネ
ットワークパラメータを更新し、現在時点での前記各クライアントの分散時系列グラフデ
ータを更新後の分散連携時系列グラフニューラルネットワークモデルに入力し、前記各ク
ライアントが位置するノードと前記各クライアントの隣接するクライアントが位置するノ
ード間のエッジの予測値を出力する。
本発明によって提供されるマルチバリューチェーン進化の予測方法では、分散連携時系列
グラフニューラルネットワークモデル訓練に参加する各クライアントは自体とその隣接す
るクライアントが位置するノード（１つのクライアントの隣接するクライアントが位置す
るノードは該クライアントの隣接ノードとも呼ばれる場合がある）間のエッジの情報のみ
を取得し、サーバーは全てのクライアントが位置するノードの情報のみを取得し、クライ
アントがローカルなオリジナルデータ（すなわちクライアントのローカルに生成された分
散時系列グラフデータ）を共有しない場合、各クライアントはサーバーと相互に作用し、
各クライアントに適用可能なグローバルな分散連携時系列グラフニューラルネットワーク
モデルを訓練し、さらにマルチバリューチェーン中の各クライアントが位置するノードと
その隣接するクライアントが位置するノード間のエッジの予測を動的に完了し、エッジの
予測結果に基づいて、各主体の状態および各主体間の関係を動的に予測する。
別の実施例では、上記分散連携時系列グラフニューラルネットワークのローカルネットワ
ークパラメータは、ローカル重み、ローカル特徴変換行列およびローカル損失を含み、分
散連携時系列グラフニューラルネットワークのグローバルネットワークパラメータは、グ
ローバル重み、グローバル特徴変換行列およびグローバル損失を含む。
別の実施例では、上記分散連携時系列グラフニューラルネットワークモデルは特徴学習ネ
ットワークおよびラベル予測ネットワークを含み、ここで、前記特徴学習ネットワークは
、歴史時点での前記各クライアントの分散時系列グラフデータおよび前記各クライアント
の隣接するクライアントが位置するノードの特徴ベクトルに基づいて前記各クライアント
が位置するノードの特徴ベクトルを出力するために使用され、前記ラベル予測ネットワー
クは、前記各クライアントが位置するノードの特徴ベクトルに基づいて、前記各クライア
ントが位置するノードと前記各クライアントの隣接するクライアントが位置するノードの
エッジの予測値を出力するために使用され、前記特徴学習ネットワークはメッセージパッ
【図面の簡単な説明】
【０００４】
本発明によって提供されるシステムアーキテクチャの概略図である。
本発明によって提供される分散連携時系列グラフニューラルネットワークのアーキテクチャの概略図である。
【発明を実施するための形態】
【０００５】
本出願の実施形態を明確に説明するために、まず後続の実施形態において出現され得るい
くつかの概念を導入する。
オリジナルデータとは、マルチバリューチェーンの各主体が特定期間に取得した、特徴と
サンプルを含む実際のデータであり、前記オリジナルデータは、当業者によって規定され
た規則及び方法によって収集され、前記オリジナルデータはテンソルまたはテーブルの形
式でクライアントの前記オリジナルデータを記録するものであり、特徴およびサンプルを
含み、例えば、特徴１は自動車販売量であり、サンプルは異なるクライアントのそれぞれ
に対応する１月の自動車販売量データ、２月の自動車販売量データ、３月の自動車販売量
データ、……を含み、特徴２は自動車在庫量であり、サンプルは異なるクライアントのそ
れぞれに対応する１月の自動車在庫量データ、２月の自動車在庫量データ、３月の自動車
在庫量データ、……を含み、特徴３は付属品販売量であり、サンプルは、異なるクライア
ントのそれぞれに対応する１月の付属品販売量データ、２月の付属品販売量データ、３月
の付属品販売量データ、……を含み、特徴４は付属品在庫量、……であるといった具合で
ある。
本発明で言及される特徴およびサンプルは、上記のものに限定されるものではなく、特徴
は、各クライアントにおいて実際に収集または記録されたデータの一部または全部の特徴
であってもよく、サンプルは、各クライアントにおいて実際に収集または記録されたデー
タの一部または全部であってもよいことは、当業者には明らかであろう。また、入力可能
なデータの異なるクライアントのオリジナルデータの特徴、寸法、種類等は異なっていて
もよく、異なるグループ間のオリジナルデータの特徴、寸法、種類等も異なっていてもよ
く、クライアントは、月単位でオリジナルデータを収集してもよく、週単位でオリジナル
データを収集してもよく、リアルタイムでオリジナルデータを収集又は記録してもよく、
実際のニーズに応じて当業者が任意に設定することができる。
メタデータは、情報リソースやデータなどのオブジェクトを記述するデータであり、その
使用目的は、リソースの識別、リソースの評価、リソースの使用状況の変化の追跡、大量
のネットワークデータのシンプルで効率的な管理の実現、情報リソースの効果的な発見、
検索、統合された組織化、およびリソースの使用の効果的な管理の実現である。したがっ
て、メタデータは一般に利用可能なデータである。メタデータには、入力データの特徴、
サイズ、寸法、属性、生成時間、タイプ、形状、クライアントフラグ、変数名、寸法など
が含まれる。メタデータは、他のデータを記述するデータであり、または特定のリソース
に関する情報を提供するために使用される構造化データであり、各クライアントの入力デ
ータまたはオリジナルデータに基づいてクライアントまたはサーバー側によって生成され
得る。なお、本発明のメタデータとは、クライアントのオリジナルデータを記述するデー
タ、すなわち、オリジナルデータの属性または特徴を記述するためのデータを指すことを
理解されたい。
グラフニューラルネットワーク（ＧｒａｐｈＮｅｕｒａｌＮｅｔｗｏｒｋ、ＧＮＮ）
は、グラフデータ（グラフデータはグラフ構造特徴を有するデータである）を処理するた
めのニューラルネットワークであり、グラフデータから学習し、グラフデータ中の特徴お
よびパターンを抽出および発見し、集束、分類、予測、分割、生成などのグラフ学習タス
クのニーズを満たすことができる。本発明では、各クライアント間は相互に作用し、グラ
フ構造データの特性を持ついくつかのデータを生成することができ、ここで、各クライア
ント中の各クライアントは１つのノード（またはグラフノードとも呼ばれる）に対応し、
クライアントに対応するノードはグラフ（Ｇｒａｐｈ）を構成する。
本発明が提案するマルチバリューチェーン進化の予測方法によれば、クライアントは、オ
リジナルデータを共有することなく、メタデータのみを共有し、これにより、企業のデー
タプライバシーとセキュリティが保護され、オリジナルデータを共有することなく、マル
チバリューチェーン内の企業間で安全に特定のコラボレーションを実施することが可能と
なる。
本発明は分散連携時系列グラフニューラルネットワーク（モデル）を提供し、「サーバー
—マルチクライアント」の分散アーキテクチャを採用し、サーバーは主にパラメー

関連特許