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

तकनीकी सारांश: LLM-संचालित नॉलेज ग्राफ रीजनिंग के साथ तार्किक रूप से सुसंगत सिंथेटिक सप्लाई चेन डेटा उत्पन्न करना

समस्या विवरण
सप्लाई चेन एनालिटिक्स में डेटा की कमी और गोपनीयता बाधाओं को दूर करने के लिए सिंथेटिक डेटा का उपयोग तेजी से बढ़ रहा है। हालांकि, मौजूदा टैबुलर जनरेटिव मॉडल (जैसे, GANs, डिफ्यूजन मॉडल, LLM-आधारित जनरेटर) मुख्य रूप से सांख्यिकीय निष्ठा (statistical fidelity) के लिए अनुकूलित होते हैं—जो मार्जिनल डिस्ट्रीब्यूशन और सहसंबंधों को पुनरुत्पादित करते हैं—न कि उस परिचालन तर्क (operational logic) को संरक्षित करने के लिए जो वास्तविक दुनिया की आपूर्ति श्रृंखला प्रक्रियाओं को नियंत्रित करता है। फलस्वरूप, उत्पन्न रिकॉर्ड अक्सर मौलिक बाधाओं का उल्लंघन करते हैं, जैसे कि टेम्पोरल ऑर्डरिंग (उदाहरण के लिए, ऑर्डर की तारीख से पहले डिलीवरी की तारीख), गणितीय निर्भरताएँ (उदाहरण के लिए, कुल योग का मूल्य $\times$ मात्रा के बराबर न होना), या पदानुक्रमित वर्गीकरण (उदाहरण के लिए, शहरों का गलत देशों से मानचित्रण)। लेखक तर्क देते हैं कि यदि सिंथेटिक डेटा को परिचालन सिमुलेशन और निर्णय लेने में सहायता करनी है, तो इसे आपूर्ति श्रृंखला डेटा के "भौतिकी" (physics) का पालन करना चाहिए: वे संरचित, डोमेन-विशिष्ट नियम जो एक रिकॉर्ड को परिचालन रूप से प्रशंसनीय बनाते हैं। वर्तमान विधियाँ इन स्कीमा-विशिष्ट बाधाओं को स्पष्ट रूप से खोजने या लागू करने में विफल रहती हैं, जिससे ऐसा डेटा प्राप्त होता है जो सांख्यिकीय रूप से यथार्थवादी तो है लेकिन तार्किक रूप से अमान्य है।

कार्यप्रणाली: TabKG फ्रेमवर्क
यह शोध पत्र TabKG प्रस्तुत करता है, जो एक नॉलेज-ग्राफ-निर्देशित फ्रेमवर्क है जिसे तार्किक रूप से सुसंगत सिंथेटिक टैबुलर डेटा उत्पन्न करने के लिए डिज़ाइन किया गया है। यह दृष्टिकोण पांच विशिष्ट चरणों के माध्यम से कार्य करता है:

1. मेटाडेटा सीरियलाइजेशन (Metadata Serialization): इनपुट टेबल स्कीमा से कॉलम के नाम और विवरणों को प्राकृतिक भाषा प्रॉम्प्ट में सीरियलाइज किया जाता है।
2. मल्टी-LLM एन्सेम्बल ग्राफ कंस्ट्रक्शन: एक कॉलम रिलेशनशिप नॉलेज ग्राफ (CR-KG) बनाया जाता है ताकि कॉलम के बीच अंतर-निर्भरता का प्रतिनिधित्व किया जा सके। एक एकल मॉडल पर निर्भर रहने के बजाय, TabKG बहुमत मतदान (majority voting) के साथ $K$ लार्ज लैंग्वेज मॉडल्स (LLMs) के एक एन्सेम्बल का उपयोग करता है। प्रत्येक LLM कॉलम के बीच संभावित किनारों (edges/संबंधों) का प्रस्ताव करता है, जिन्हें प्रकार के आधार पर वर्गीकृत किया जाता है: पदानुक्रमित (Hierarchical - H), गणितीय (Mathematical - M), टेम्पोरल (Temporal - T), या सिमेंटिक (Semantic - S)। एक किनारा तभी रखा जाता है जब उसे अधिकांश मॉडलों द्वारा प्रस्तावित किया गया हो।
3. डेटा-संचालित सत्यापन और छंटाई (Data-Driven Validation and Pruning): प्रस्तावित ग्राफ को वास्तविक डेटासेट के विरुद्ध सत्यापित किया जाता है ताकि काल्पनिक या असमर्थित किनारों को हटाया जा सके। प्रकार-विशिष्ट वैलिडेटर प्रत्येक किनारे के लिए एक कॉन्फिडेंस स्कोर $\sigma(e)$ की गणना करते हैं:
   • पदानुक्रमित (Hierarchical): कार्यात्मक निर्भरता की जाँच करता है (क्या स्रोत अद्वितीय रूप से लक्ष्य को निर्धारित करता है?)।
   • गणितीय (Mathematical): वास्तविक पंक्तियों पर फॉर्मूला सटीकता का मूल्यांकन करता है।
   • टेम्पोरल (Temporal): ऑर्डरिंग उल्लंघन की जाँच करता है।
   • सिमेंटिक (Semantic): सशर्त नियम संतुष्टि दरों का मूल्यांकन करता है।
     किनारे जिनका स्कोर थ्रेशोल्ड (डिफ़ॉल्ट $\theta = 0.90$) से कम है, उन्हें हटा दिया जाता है, जिसके परिणामस्वरूप एक सत्यापित CR-KG प्राप्त होता है।
4. ग्राफ-निर्देशित संपीड़न और पीढ़ी (Graph-Guided Compression and Generation): सत्यापित ग्राफ को एक डायरेक्टेड एसाइक्लिक ग्राफ (DAG) में परिवर्तित किया जाता है ताकि स्वतंत्र कॉलमों का एक न्यूनतम सेट ($V_{keep}$) पहचाना जा सके। आश्रित कॉलमों को कंप्रेस कर दिया जाता है। एक लेटेंट स्कोर-आधारित डिफ्यूजन मॉडल को केवल स्वतंत्र कॉलमों पर प्रशिक्षित किया जाता है ताकि सिंथेटिक कंप्रेस्ड डेटा ($X'_c$) उत्पन्न किया जा सके।
5. नॉलेज ग्राफ-निर्देशित डीकंप्रेशन (Knowledge Graph-Guided Decompression): उत्पन्न स्वतंत्र कॉलमों पर सत्यापित संबंधों को नियत रूप से (deterministically) लागू करके पूर्ण सिंथेटिक डेटासेट का पुनर्निर्माण किया जाता है। आश्रित कॉलमों को लुकअप टेबल्स (पदानुक्रमित/सिमेंटिक के लिए), क्लोज्ड-फॉर्म फॉर्मूला (गणितीय के लिए), या एडिटिव टाइम ऑफसेट्स (टेम्पोरल के लिए) का उपयोग करके बहाल किया जाता है। यह सुनिश्चित करता है कि तार्किक निरंतरता को निर्माण के माध्यम से लागू किया जाता है न कि अप्रत्यक्ष रूप से सीखा जाता है।

प्रमुख योगदान

• परिचालन तर्क की स्वचालित खोज: TabKG मैन्युअल नियम इंजीनियरिंग के बिना, टैबुलर स्कीमा से कॉलम के बीच के लॉजिक के नॉलेज-ग्राफ प्रतिनिधित्व को स्वचालित रूप से बनाने वाला पहला तरीका है। यह LLM के सिमेंटिक ज्ञान को अनुभवजन्य डेटा सत्यापन के साथ जोड़ता है।
• संपीड़न-और-पुनर्निर्माण पाइपलाइन: लेखक एक पीढ़ी पाइपलाइन प्रस्तावित करते हैं जो स्वतंत्र और आश्रित चरों को अलग करती है। केवल स्वतंत्र कॉलमों को डिफ्यूजन के माध्यम से उत्पन्न करके और आश्रित कॉलमों को नियत रूप से पुनर्निर्मित करके, यह फ्रेमवर्क गारंटी देता है कि आउटपुट में सभी सत्यापित परिचालन नियमों का पालन किया जाता है।
• व्यापक मूल्यांकन: फ्रेमवर्क का मूल्यांकन दो औद्योगिक डेटासेट्स (रिटेल और परचेजिंग) और दो डाउनस्ट्रीम कार्यों (लेट-डिलीवरी रिस्क प्रेडिक्शन और प्रोक्योरमेंट-स्टेट क्लासिफिकेशन) के माध्यम से किया गया है, जो फिडेलिटी, उपयोगिता, गोपनीयता और तार्किक निरंतरता का आकलन करते हैं।

प्रायोगिक परिणाम

• लॉजिक रीजनिंग: मेटाडेटा से इंटर-कॉलम संबंधों का अनुमान लगाने के कार्य में, TabKG (DeepSeek के सेम-मॉडल एन्सेम्बल का उपयोग करते हुए) ने रिटेल डेटासेट पर 0.897 और परचेजिंग डेटासेट पर 0.945 का F1 स्कोर प्राप्त किया। इसने प्रॉम्प्ट-ओनली बेसलाइन्स को काफी पीछे छोड़ दिया, जो 0.27 से 0.55 के बीच थे।
• तार्किक निरंतरता: TabKG ने 97.84%–98.73% के पदानुक्रमित निरंतरता स्कोर (HCS) और मल्टीवेरिएट डिपेंडेंसी इंडेक्स (MDI) प्राप्त किए, जो अत्याधुनिक बेसलाइन्स (CTGAN, TabDDPM, TabSyn, GReaT) से काफी बेहतर है, जो पदानुक्रमित कार्यों पर अक्सर शून्य के करीब HCS पर गिर जाते हैं।
• डेटा उपयोगिता: 'ट्रेन-ऑन-सिंथेटिक, टेस्ट-ऑन-रियल' (TSTR) क्लासिफिकेशन कार्यों में, TabKG डेटा पर प्रशिक्षित मॉडलों ने AUC स्कोर 71.90 (रिटेल) और 63.45 (परचेजिंग) प्राप्त किया, जो सभी अन्य जनरेटिव बेसलाइन्स से बेहतर प्रदर्शन करता है और वास्तविक डेटा पर प्रशिक्षित मॉडलों के प्रदर्शन का लगभग 75-82% बनाए रखता है।
• फिडेलिटी और गोपनीयता: TabKG ने डेंसिटी एस्टीमेशन और कोरिलेशन के मामले में शीर्ष बेसलाइन्स (जैसे, TabSyn) के समान सांख्यिकीय फिडेलिटी बनाए रखी, जबकि मजबूत गोपनीयता मेट्रिक्स (डिस्टेंस टू क्लोजेस्ट रिकॉर्ड और क्लासिफायर टू-सैंपल टेस्ट) हासिल किए, यह सुनिश्चित करते हुए कि वास्तविक रिकॉर्ड का कोई सीधा मेमोराइजेशन न हो।

महत्व और दावे
यह पेपर दावा करता है कि TabKG सरल मशीन लर्निंग ऑग्मेंटेशन से आगे बढ़कर उच्च-फिडेलिटी सप्लाई चेन सिमुलेशन और परिचालन निर्णय समर्थन के लिए एक आधार प्रदान करता है। आपूर्ति श्रृंखला संचालन के "भौतिकी" (टेम्पोरल ऑर्डरिंग, गणितीय सूत्र और पदानुक्रमित नियम) को स्पष्ट रूप से संरक्षित करके, TabKG ऐसा डेटा उत्पन्न करता है जो न केवल सांख्यिकीय रूप से यथार्थवादी है बल्कि परिचालन रूप से भी वैध है। यह उस महत्वपूर्ण अंतर को संबोधित करता है जहाँ मौजूदा विधियाँ ऐसा डेटा बनाती हैं जो तार्किक विसंगतियों के कारण यथार्थवादी सिमुलेशन परिदृश्यों में विफल हो जाता है। लेखक TabKG को एक ट्रेनिंग-फ्री, स्कीमा-एग्नोस्टिक समाधान के रूप में प्रस्तुत करते हैं जो विविध आपूर्ति श्रृंखला स्कीमा (रिटेल, प्रोक्योरमेंट, मैन्युफैक्चरिंग) के अनुकूल होने के लिए प्री-ट्रेंड LLM ज्ञान का लाभ उठाता है, जिससे विशेष नियम पुस्तकालयों (bespoke rule libraries) की आवश्यकता के बिना संगठनों के लिए विश्वसनीय सिंथेटिक डेटा उत्पन्न करने की बाधा कम हो जाती है।