Generating Logically Consistent Synthetic Supply Chain Data with LLM-Driven Knowledge Graph Reasoning

Resumen Técnico: Generación de Datos Sintéticos de Cadena de Suministro Lógicamente Consistentes con Razonamiento de Grafos de Conocimiento Impulsado por LLM

Enunciado del Problema
Los datos sintéticos se utilizan cada vez más para abordar la escasez de datos y las barreras de privacidad en el análisis de la cadena de suministro. Sin embargo, los modelos generativos tabulares existentes (por ejemplo, GAN, modelos de difusión, generadores basados en LLM) están optimizados principalmente para la fidelidad estadística —reproduciendo distribuciones marginales y correlaciones— en lugar de preservar la lógica operativa que gobierna los procesos de la cadena de suministro del mundo real. En consecuencia, los registros generados a menudo violan restricciones fundamentales, como ordenamientos temporales (por ejemplo, fechas de entrega anteriores a las fechas de pedido), dependencias matemáticas (por ejemplo, totales que no equivalen a precio $\times$ cantidad) y taxonomías jerárquicas (por ejemplo, ciudades que se asignan a países incorrectos). Los autores argumentan que, para que los datos sintéticos apoyen la simulación operativa y la toma de decisiones, deben adherirse a la "física" de los datos de la cadena de suministro: las reglas estructuradas y específicas del dominio que hacen que un registro sea operativamente plausible. Los métodos actuales no descubren ni aplican explícitamente estas restricciones específicas del esquema, lo que conduce a datos que son estadísticamente realistas pero lógicamente inválidos.

Metodología: El Marco TabKG
El artículo introduce TabKG, un marco guiado por grafos de conocimiento diseñado para generar datos tabulares sintéticos lógicamente consistentes. El enfoque opera a través de cinco etapas distintas:

1. Serialización de Metadatos: Los nombres de columna y las descripciones del esquema de la tabla de entrada se serializan en indicaciones de lenguaje natural.
2. Construcción de Grafos de Conjunto de Múltiples LLM: Se construye un Grafo de Conocimiento de Relaciones de Columnas (CR-KG) para representar las dependencias intercolumna. En lugar de depender de un solo modelo, TabKG emplea un conjunto de $K$ Modelos de Lenguaje Grande (LLM) con votación mayoritaria. Cada LLM propone aristas candidatas (relaciones) entre columnas, categorizadas por tipo: Jerárquica (H), Matemática (M), Temporal (T) o Semántica (S). Una arista se conserva solo si es propuesta por la mayoría de los modelos.
3. Validación y Poda Basadas en Datos: El grafo candidato se valida contra el conjunto de datos real para eliminar aristas alucinadas o no respaldadas. Validadores específicos del tipo calculan una puntuación de confianza $\sigma(e)$ para cada arista:
   • Jerárquica: Verifica la dependencia funcional (¿determina la fuente de forma única el objetivo?).
   • Matemática: Evalúa la precisión de la fórmula en filas reales.
   • Temporal: Verifica la existencia de violaciones de ordenamiento.
   • Semántica: Evalúa las tasas de satisfacción de reglas condicionales.
     Las aristas con puntuaciones por debajo de un umbral (valor predeterminado $\theta = 0.90$) se podan, dando como resultado un CR-KG validado.
4. Compresión y Generación Guiadas por Grafos: El grafo validado se convierte en un Grafo Acíclico Dirigido (DAG) para identificar un conjunto mínimo de columnas independientes ($V_{keep}$). Las columnas dependientes se comprimen. Se entrena un modelo de difusión basado en puntuaciones latentes solo en las columnas independientes para generar datos sintéticos comprimidos ($X'_c$).
5. Descompresión Guiada por Grafo de Conocimiento: El conjunto de datos sintético completo se reconstruye aplicando determinísticamente las relaciones validadas a las columnas independientes generadas. Las columnas dependientes se restauran utilizando tablas de búsqueda (para jerárquicas/semánticas), fórmulas de forma cerrada (para matemáticas) o desplazamientos de tiempo aditivos (para temporales). Esto asegura que la consistencia lógica se imponga por construcción en lugar de aprenderse implícitamente.

Contribuciones Clave

• Descubrimiento Automático de la Lógica Operativa: TabKG es el primer método que construye automáticamente una representación de grafo de conocimiento de la lógica intercolumna de la cadena de suministro a partir de esquemas tabulares sin ingeniería de reglas manual. Combina el conocimiento semántico de los LLM con la validación empírica de datos.
• Pipeline de Compresión y Reconstrucción: Los autores proponen un pipeline de generación que separa las variables independientes y dependientes. Al generar solo columnas independientes mediante difusión y reconstruir determinísticamente las dependientes, el marco garantiza que todas las reglas operativas validadas se satisfagan en la salida.
• Evaluación Exhaustiva: El marco se evalúa en dos conjuntos de datos industriales (Retail y Compras) y dos tareas posteriores (predicción de riesgo de entrega tardía y clasificación de estado de adquisición), evaluando fidelidad, utilidad, privacidad y consistencia lógica.

Resultados Experimentales

• Razonamiento Lógico: En la tarea de inferir relaciones intercolumna a partir de metadatos, TabKG (utilizando un conjunto del mismo modelo de DeepSeek) obtuvo una puntuación F1 de 0.897 en el conjunto de datos Retail y 0.945 en el conjunto de datos Compras. Esto superó sustancialmente a las líneas base solo de indicaciones, que oscilaron entre 0.27 y 0.55.
• Consistencia Lógica: TabKG obtuvo Puntuaciones de Consistencia Jerárquica (HCS) e Índices de Dependencia Multivariante (MDI) de 97.84%–98.73%, superando significativamente a las líneas base de última generación (CTGAN, TabDDPM, TabSyn, GReaT), que a menudo colapsaron a un HCS cercano a cero en tareas jerárquicas.
• Utilidad de los Datos: En tareas de clasificación de Entrenar en Sintético, Probar en Real (TSTR), los modelos entrenados con datos de TabKG obtuvieron puntuaciones AUC de 71.90 (Retail) y 63.45 (Compras), superando a todas las demás líneas base generativas y preservando aproximadamente el 75–82% del rendimiento de los modelos entrenados con datos reales.
• Fidelidad y Privacidad: TabKG mantuvo una fidelidad estadística comparable a las mejores líneas base (por ejemplo, TabSyn) en términos de estimación de densidad y correlación, mientras lograba métricas de privacidad sólidas (Distancia al Registro Más Cercano y Prueba de Dos Muestras del Clasificador), asegurando que no hubiera memorización directa de registros reales.

Significado y Afirmaciones
El artículo afirma que TabKG proporciona una base para mover los datos sintéticos más allá de la simple augmentación de aprendizaje automático hacia la simulación de alta fidelidad de la cadena de suministro y el apoyo a la toma de decisiones operativas. Al preservar explícitamente la "física" de las operaciones de la cadena de suministro (ordenamientos temporales, fórmulas matemáticas y reglas jerárquicas), TabKG genera datos que no solo son estadísticamente realistas, sino también operativamente válidos. Esto aborda una brecha crítica donde los métodos existentes producen datos que fallan en escenarios de simulación realistas debido a inconsistencias lógicas. Los autores posicionan a TabKG como una solución libre de entrenamiento y agnóstica al esquema que aprovecha el conocimiento de LLM preentrenados para adaptarse a diversos esquemas de cadena de suministro (retail, adquisición, fabricación) sin requerir bibliotecas de reglas personalizadas, reduciendo así la barrera para que las organizaciones generen datos sintéticos confiables para la simulación y la orquestación autónoma en la Cadena de Suministro 4.0.