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

Resumo Técnico: Geração de Dados Sintéticos de Cadeia de Suprimentos Logicamente Consistentes com Raciocínio de Grafos de Conhecimento Orientado por LLMs

Declaração do Problema
Dados sintéticos são cada vez mais utilizados para abordar a escassez de dados e barreiras de privacidade na análise de cadeias de suprimentos. No entanto, os modelos generativos tabulares existentes (por exemplo, GANs, modelos de difusão, geradores baseados em LLMs) são otimizados principalmente para fidelidade estatística — reproduzindo distribuições marginais e correlações — em vez de preservar a lógica operacional que rege os processos de cadeia de suprimentos do mundo real. Consequentemente, registros gerados frequentemente violam restrições fundamentais, como ordenações temporais (por exemplo, datas de entrega precedendo datas de pedido), dependências matemáticas (por exemplo, totais não iguais a preço $\times$ quantidade) e taxonomias hierárquicas (por exemplo, cidades mapeadas para países incorretos). Os autores argumentam que, para que dados sintéticos suportem simulação operacional e tomada de decisão, devem aderir à "física" dos dados de cadeia de suprimentos: as regras estruturadas e específicas do domínio que tornam um registro operacionalmente plausível. Métodos atuais falham em descobrir ou impor explicitamente essas restrições específicas do esquema, levando a dados que são estatisticamente realistas, mas logicamente inválidos.

Metodologia: A Estrutura TabKG
O artigo apresenta o TabKG, uma estrutura guiada por grafo de conhecimento projetada para gerar dados tabulares sintéticos logicamente consistentes. A abordagem opera através de cinco etapas distintas:

1. Serialização de Metadados: Nomes de colunas e descrições do esquema da tabela de entrada são serializados em prompts de linguagem natural.
2. Construção de Grafo por Ensemble de Múltiplos LLMs: Um Grafo de Conhecimento de Relação de Colunas (CR-KG) é construído para representar dependências intercolunas. Em vez de confiar em um único modelo, o TabKG emprega um ensemble de $K$ Modelos de Linguagem de Grande Escala (LLMs) com votação majoritária. Cada LLM propõe arestas candidatas (relações) entre colunas, categorizadas por tipo: Hierárquica (H), Matemática (M), Temporal (T) ou Semântica (S). Uma aresta é mantida apenas se proposta pela maioria dos modelos.
3. Validação e Poda Orientadas por Dados: O grafo candidato é validado contra o conjunto de dados real para eliminar arestas alucinadas ou não suportadas. Validadores específicos de tipo calculam uma pontuação de confiança $\sigma(e)$ para cada aresta:
   • Hierárquica: Verifica dependência funcional (a fonte determina unicamente o alvo?).
   • Matemática: Avalia a precisão da fórmula em linhas reais.
   • Temporal: Verifica violações de ordenação.
   • Semântica: Avalia taxas de satisfação de regras condicionais.
     Arestas com pontuações abaixo de um limiar (padrão $\theta = 0,90$) são podadas, resultando em um CR-KG validado.
4. Compressão e Geração Guiadas por Grafo: O grafo validado é convertido em um Grafo Acíclico Direcionado (DAG) para identificar um conjunto mínimo de colunas independentes ($V_{keep}$). Colunas dependentes são comprimidas para fora. Um modelo de difusão baseado em pontuação latente é treinado apenas nas colunas independentes para gerar dados sintéticos comprimidos ($X'_c$).
5. Descompressão Guiada por Grafo de Conhecimento: O conjunto de dados sintético completo é reconstruído aplicando deterministicamente as relações validadas às colunas independentes geradas. Colunas dependentes são restauradas usando tabelas de consulta (para hierárquicas/semânticas), fórmulas de forma fechada (para matemáticas) ou deslocamentos temporais aditivos (para temporais). Isso garante que a consistência lógica seja imposta pela construção, em vez de aprendida implicitamente.

Principais Contribuições

• Descoberta Automática da Lógica Operacional: O TabKG é o primeiro método a construir automaticamente uma representação de grafo de conhecimento da lógica intercoluna de cadeia de suprimentos a partir de esquemas tabulares sem engenharia de regras manual. Combina conhecimento semântico de LLMs com validação empírica de dados.
• Pipeline de Compressão e Reconstrução: Os autores propõem um pipeline de geração que separa variáveis independentes e dependentes. Ao gerar apenas colunas independentes via difusão e reconstruir deterministicamente as dependentes, a estrutura garante que todas as regras operacionais validadas sejam satisfeitas na saída.
• Avaliação Abrangente: A estrutura é avaliada em dois conjuntos de dados industriais (Varejo e Compras) e duas tarefas a jusante (previsão de risco de entrega tardia e classificação de status de aquisição), avaliando fidelidade, utilidade, privacidade e consistência lógica.

Resultados Experimentais

• Raciocínio Lógico: Na tarefa de inferir relações intercolunas a partir de metadados, o TabKG (usando um ensemble do mesmo modelo DeepSeek) alcançou uma pontuação F1 de 0,897 no conjunto de dados de Varejo e 0,945 no conjunto de dados de Compras. Isso superou substancialmente as linhas de base apenas com prompts, que variaram de 0,27 a 0,55.
• Consistência Lógica: O TabKG alcançou Pontuações de Consistência Hierárquica (HCS) e Índices de Dependência Multivariada (MDI) de 97,84%–98,73%, superando significativamente as linhas de base mais avançadas (CTGAN, TabDDPM, TabSyn, GReaT), que frequentemente colapsaram para HCS próximo de zero em tarefas hierárquicas.
• Utilidade dos Dados: Em tarefas de classificação Treinar-em-Sintético, Testar-em-Real (TSTR), modelos treinados em dados TabKG alcançaram pontuações AUC de 71,90 (Varejo) e 63,45 (Compras), superando todas as outras linhas de base generativas e preservando aproximadamente 75–82% do desempenho de modelos treinados em dados reais.
• Fidelidade e Privacidade: O TabKG manteve fidelidade estatística comparável às principais linhas de base (por exemplo, TabSyn) em termos de estimativa de densidade e correlação, enquanto alcançou métricas de privacidade fortes (Distância ao Registro Mais Próximo e Teste de Duas Amostras de Classificador), garantindo nenhuma memorização direta de registros reais.

Significado e Alegações
O artigo alega que o TabKG fornece uma base para mover dados sintéticos além do simples aumento de aprendizado de máquina em direção à simulação de cadeia de suprimentos de alta fidelidade e suporte à decisão operacional. Ao preservar explicitamente a "física" das operações de cadeia de suprimentos (ordenamentos temporais, fórmulas matemáticas e regras hierárquicas), o TabKG gera dados que não são apenas estatisticamente realistas, mas também operacionalmente válidos. Isso aborda uma lacuna crítica onde métodos existentes produzem dados que falham em cenários de simulação realistas devido a inconsistências lógicas. Os autores posicionam o TabKG como uma solução livre de treinamento e agnóstica ao esquema que aproveita o conhecimento pré-treinado de LLMs para se adaptar a esquemas diversos de cadeia de suprimentos (varejo, aquisição, manufatura) sem exigir bibliotecas de regras personalizadas, reduzindo assim a barreira para organizações gerarem dados sintéticos confiáveis para simulação e orquestração autônoma na Cadeia de Suprimentos 4.0.