报道领域
Research
50 篇已发布报道
重点报道
本文介绍了一种新颖的框架FDDM，通过结合基础模型和离散扩散模型来桥接分类和分割任务，从而提高WSI分析的整体性能。实验结果显示，FDDM在多个指标上均优于现有方法，在mIOU方面提升了10%，在坏死率估计方面误差降低了32.12%。
编辑精选
本文提出了一种结合联邦学习（FL）和图卷积神经网络（GCNs）的新方法，以增强供应链的可见性。通过关系预测，该方法能够在供应链知识图谱中揭示隐藏的连接，并提供全面的见解。实验结果表明，所提方法在多个国家的数据集上表现优异，平均准确率达到85%。
本文探讨了人工智能（AI）在物流和配送行业中的应用，特别是在动态路线规划、无人机和自动驾驶卡车方面的应用。通过实时数据分析，AI 能够实现更高效的路径优化，减少燃油消耗，缩短交付时间，并提高整体成本效益。尽管存在数据依赖性、计算资源要求和安全隐私等问题，但 AI 仍为物流行业带来了显著的改进。
最新进展
本文探讨了自主代理在执行关键任务时面临的安全挑战，特别是在供应链和AI决策场景中。研究揭示了单代理攻击面、多代理安全以及模型路由中的新威胁，并提出了相应的防御措施。通过具体实验数据和对比分析，文章深入解读了这些核心发现，并讨论了其局限性及实际应用中的启示。
本文探讨了美国风险投资（VC）市场中企业间网络如何影响投资的空间分布。研究发现，地理和社会距离显著影响投资活动，而联合投资网络通过信息扩散扩展了投资范围。本文通过实证分析揭示了这些因素在风险投资中的作用，并提出了具体的实操建议。
本文深入探讨了机器学习操作（MLOps）工具在供应链和AI决策领域中的应用现状，分析了Kubeflow、MLFlow和Iterative Enterprise等主流工具的功能特点，并指出了它们的局限性。通过对这些工具的详细解读，为从业者提供了选择和使用MLOps工具的具体建议。
本文详细解读了Shaoxiong Ji等人的《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》一文，从知识图谱的表示学习、知识获取、时间知识图谱和知识感知应用四个方面进行了深入探讨。文章不仅总结了现有方法的优势和不足，还提出了未来研究的方向。对于供应链管理和AI从业者来说，提供了宝贵的实操启示。
本文全面回顾了近年来神经组合优化（NCO）算法在解决车辆路径问题（VRP）方面的最新进展，提出了一个全新的分类体系，并讨论了现有方法的不足及未来研究方向。通过系统地梳理相关文献，本文将NCO求解器分为四类：Learning to Construct (L2C)、Learning to Improve (L2I)、Learning to Predict-Once (L2P-O) 和 Learning to Predict-Multiplicity (L2P-M)。
本文解读了论文《Attention Is All You Need》，该论文提出了完全依赖于注意力机制的Transformer模型，摒弃了传统的递归和卷积结构。实验结果表明，Transformer在机器翻译任务中取得了显著的性能提升，特别是在并行化能力和训练时间方面。本文深入探讨了Transformer的核心架构、多头自注意力机制以及位置编码，并分析了其局限性及实际应用启示。
本文综述了基于知识图谱和图神经网络（GNN）的推荐系统研究进展，提出了新的分类法，并详细描述了代表性模型。通过对比分析，本文揭示了这些模型在解决实际推荐问题如冷启动和可扩展性方面的优势和局限。此外，本文还总结了广泛使用的基准数据集、评估指标和开源代码，并提出了未来的研究方向。
本文系统回顾了279篇关于数字转型（DT）的文献，提出了一个涵盖背景条件、机制和结果的多维框架。研究发现DT导致企业向可塑性组织设计转变，并嵌入在数字业务生态系统中。通过与现有理论对比，揭示了DT的独特性质及其对组织变革的影响。
随着数字化技术的迅猛发展，越来越多的企业开始关注如何通过数字转型来提升竞争力。然而，数字转型不仅仅是技术的应用，更涉及到组织结构、文化以及人员的全面变革。尽管近年来有关数字转型的研究数量显著增加，但这些研究大多集中在信息系统的领域，而忽略了从更广泛的管理视角进行探讨。Swen Nadkarni 和 Reinhard Prügl 通过对58篇关于数字转型的同行评审论文进行系统性回顾，试图填补这一空白。
本文综述了时间知识图谱（Temporal Knowledge Graphs, TKGs）表示学习方法及其在供应链和AI决策中的应用。通过引入时间戳，TKGs能够更准确地表示实体和关系随时间的变化，提高下游任务如需求预测、库存管理和物流优化的性能。文章详细介绍了基于变换、分解和图神经网络的方法，并指出了当前研究的局限性和未来方向。
本文详细解读了Dang等人开发的网络模式优化工具（NMOT），该工具基于蚁群优化算法，帮助DHL供应链运输分析师识别地面物流网络中的成本节省机会。NMOT不仅显著降低了运输成本，还提高了运营效率，每年为DHL及其客户节省数百万美元，并将估算时间从数周缩短到几小时。
本文深入探讨了AI技术在库存管理和需求预测中的应用，通过深度学习模型和集成方法显著提升了预测精度，并减少了库存过剩。研究结果表明，AI驱动的系统能够实时监控库存水平并自动触发补货订单，从而提高运营效率、降低成本并增强客户满意度。
