使用 LLM 驱动的知识图推理生成逻辑一致的综合供应链数据

合成数据为供应链分析中的两个持久障碍提供了一个有前途的解决方案：数据稀缺和数据隐私。然而，对于支持运营模拟和决策的合成数据，它不仅要再现真实记录的统计分布，还要保留管理供应链流程的\emph{操作逻辑}，包括时间顺序、数学依赖性、层次分类法和使记录在操作上合理的条件规则。我们将这种逻辑视为供应链数据的“物理原理”。现有的表格生成模型主要针对分布保真度和下游预测效用进行了优化，因此通常会生成在统计上看起来真实但违反基本操作约束的记录。本文介绍了 \textbf{\textit{TabKG}}，一个知识图引导的框架，用于逻辑一致的合成供应链表格数据生成。 TabKG 构造一个 \textbf{\textit{列关系知识图（CR-KG）}} 来表示数据操作依赖关系。它使用具有多数投票的多 LLM 集成来从列元数据中提出候选关系，根据真实数据验证这些关系以删除幻觉或不受支持的边缘，然后使用经过验证的 CR-KG 来指导生成。具体来说，TabKG 将原始表压缩为独立列，使用潜在扩散模型生成这些列，并根据验证的关系确定性地重建依赖列，通过针对发现的操作规则进行构造来强制逻辑一致性。