A decentralized multi-agent framework integrating interpretable machine learning for automated warranty fraud detection in supply chains
Cette étude propose un nouveau cadre hybride centré sur l'humain qui intègre des systèmes multi-agents décentralisés à des modèles d'apprentissage automatique interprétables afin d'améliorer la précision, la transparence et l'efficacité de la détection automatisée de la fraude aux garanties dans les chaînes d'approvisionnement.