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

Résumé technique : Génération de données synthétiques cohérentes logiquement pour la chaîne d'approvisionnement par raisonnement sur graphes de connaissances piloté par les LLM

Énoncé du problème
Les données synthétiques sont de plus en plus utilisées pour pallier la pénurie de données et les obstacles liés à la confidentialité dans l'analyse de la chaîne d'approvisionnement. Cependant, les modèles génératifs tabulaires existants (par exemple, les GAN, les modèles de diffusion, les générateurs basés sur les LLM) sont principalement optimisés pour la fidélité statistique — reproduisant les distributions marginales et les corrélations — plutôt que pour préserver la logique opérationnelle régie par les processus réels de la chaîne d'approvisionnement. Par conséquent, les enregistrements générés violent souvent des contraintes fondamentales, telles que les ordonnancements temporels (par exemple, des dates de livraison antérieures aux dates de commande), les dépendances mathématiques (par exemple, des totaux ne correspondant pas au prix multiplié par la quantité) et les taxonomies hiérarchiques (par exemple, des villes correspondant à des pays incorrects). Les auteurs soutiennent que pour que les données synthétiques puissent soutenir la simulation opérationnelle et la prise de décision, elles doivent adhérer à la « physique » des données de la chaîne d'approvisionnement : les règles structurées et spécifiques au domaine qui rendent un enregistrement opérationnellement plausible. Les méthodes actuelles échouent à découvrir ou à faire respecter explicitement ces contraintes spécifiques au schéma, conduisant à des données statistiquement réalistes mais logiquement invalides.

Méthodologie : Le cadre TabKG
L'article présente TabKG, un cadre guidé par les graphes de connaissances conçu pour générer des données tabulaires synthétiques cohérentes logiquement. L'approche fonctionne en cinq étapes distinctes :

1. Sérialisation des métadonnées : Les noms de colonnes et les descriptions du schéma de la table d'entrée sont sérialisés en invites en langage naturel.
2. Construction de graphe par ensemble multi-LLM : Un Graphe de Connaissances des Relations entre Colonnes (CR-KG) est construit pour représenter les dépendances inter-colonnes. Au lieu de s'appuyer sur un seul modèle, TabKG emploie un ensemble de $K$ Grands Modèles de Langage (LLM) avec vote majoritaire. Chaque LLM propose des arêtes candidates (relations) entre les colonnes, catégorisées par type : Hiérarchique (H), Mathématique (M), Temporelle (T) ou Sémantique (S). Une arête n'est conservée que si elle est proposée par la majorité des modèles.
3. Validation et élagage pilotés par les données : Le graphe candidat est validé par rapport au jeu de données réel pour éliminer les arêtes hallucinées ou non étayées. Des validateurs spécifiques au type calculent un score de confiance $\sigma(e)$ pour chaque arête :
   • Hiérarchique : Vérifie la dépendance fonctionnelle (la source détermine-elle de manière unique la cible ?).
   • Mathématique : Évalue la précision de la formule sur les lignes réelles.
   • Temporelle : Vérifie les violations d'ordonnancement.
   • Sémantique : Évalue les taux de satisfaction des règles conditionnelles.
     Les arêtes dont les scores sont inférieurs à un seuil (par défaut $\theta = 0,90$) sont élaguées, aboutissant à un CR-KG validé.
4. Compression et génération guidées par le graphe : Le graphe validé est converti en un Graphe Acyclique Dirigé (DAG) pour identifier un ensemble minimal de colonnes indépendantes ($V_{keep}$). Les colonnes dépendantes sont compressées. Un modèle de diffusion basé sur des scores latents est entraîné uniquement sur les colonnes indépendantes pour générer des données synthétiques compressées ($X'_c$).
5. Décompression guidée par le graphe de connaissances : L'ensemble de données synthétique complet est reconstruit en appliquant de manière déterministe les relations validées aux colonnes indépendantes générées. Les colonnes dépendantes sont restaurées à l'aide de tables de recherche (pour les relations hiérarchiques/sémantiques), de formules à forme close (pour les relations mathématiques) ou de décalages temporels additifs (pour les relations temporelles). Cela garantit que la cohérence logique est imposée par construction plutôt que d'être apprise implicitement.

Contributions clés

• Découverte automatique de la logique opérationnelle : TabKG est la première méthode à construire automatiquement une représentation sous forme de graphe de connaissances de la logique inter-colonnes de la chaîne d'approvisionnement à partir de schémas tabulaires, sans ingénierie manuelle des règles. Elle combine la connaissance sémantique des LLM avec une validation empirique des données.
• Pipeline de compression et de reconstruction : Les auteurs proposent un pipeline de génération qui sépare les variables indépendantes et dépendantes. En générant uniquement les colonnes indépendantes via diffusion et en reconstruisant de manière déterministe les colonnes dépendantes, le cadre garantit que toutes les règles opérationnelles validées sont satisfaites dans la sortie.
• Évaluation complète : Le cadre est évalué sur deux jeux de données industriels (Retail et Purchasing) et deux tâches en aval (prédiction du risque de livraison tardive et classification du statut d'approvisionnement), en évaluant la fidélité, l'utilité, la confidentialité et la cohérence logique.

Résultats expérimentaux

• Raisonnement logique : Dans la tâche d'inférence des relations inter-colonnes à partir des métadonnées, TabKG (utilisant un ensemble de modèles identiques DeepSeek) a obtenu un score F1 de 0,897 sur le jeu de données Retail et de 0,945 sur le jeu de données Purchasing. Cela surpasse considérablement les références basées uniquement sur les invites, qui variaient de 0,27 à 0,55.
• Cohérence logique : TabKG a obtenu des Scores de Cohérence Hiérarchique (HCS) et des Indices de Dépendance Multivariée (MDI) de 97,84 % à 98,73 %, surpassant nettement les références de l'état de l'art (CTGAN, TabDDPM, TabSyn, GReaT), qui s'effondraient souvent vers un HCS proche de zéro sur les tâches hiérarchiques.
• Utilité des données : Dans les tâches de classification « Entraînement sur Synthétique, Test sur Réel » (TSTR), les modèles entraînés sur les données TabKG ont obtenu des scores AUC de 71,90 (Retail) et 63,45 (Purchasing), surpassant toutes les autres références génératives et préservant environ 75 à 82 % des performances des modèles entraînés sur des données réelles.
• Fidélité et confidentialité : TabKG a maintenu une fidélité statistique comparable aux meilleures références (par exemple, TabSyn) en termes d'estimation de densité et de corrélation, tout en obtenant de solides métriques de confidentialité (Distance à l'Enregistrement le plus Proche et Test de Deux Échantillons par Classifieur), garantissant qu'aucun enregistrement réel n'est mémorisé directement.

Signification et revendications
L'article revendique que TabKG fournit une base pour faire évoluer les données synthétiques au-delà du simple renforcement par apprentissage automatique vers la simulation de la chaîne d'approvisionnement haute fidélité et le soutien à la décision opérationnelle. En préservant explicitement la « physique » des opérations de la chaîne d'approvisionnement (ordonnancements temporels, formules mathématiques et règles hiérarchiques), TabKG génère des données qui sont non seulement statistiquement réalistes, mais aussi opérationnellement valides. Cela comble une lacune critique où les méthodes existantes produisent des données qui échouent dans des scénarios de simulation réalistes en raison d'incohérences logiques. Les auteurs positionnent TabKG comme une solution sans entraînement, agnostique au schéma, qui exploite les connaissances pré-entraînées des LLM pour s'adapter à divers schémas de chaîne d'approvisionnement (vente au détail, approvisionnement, fabrication) sans nécessiter de bibliothèques de règles sur mesure, abaissant ainsi la barrière pour les organisations afin de générer des données synthétiques fiables pour la simulation et l'orchestration autonome dans la Supply Chain 4.0.