論文の概要: AoI-based Temporal Attention Graph Neural Network for Popularity
Prediction and Content Caching
- arxiv url: http://arxiv.org/abs/2208.08606v1
- Date: Thu, 18 Aug 2022 02:57:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-19 13:51:28.354809
- Title: AoI-based Temporal Attention Graph Neural Network for Popularity
Prediction and Content Caching
- Title(参考訳): aoiに基づく時間的注意グラフニューラルネットワークによる人気予測とコンテンツキャッシング
- Authors: Jianhang Zhu, Rongpeng Li, Guoru Ding, Chan Wang, Jianjun Wu, Zhifeng
Zhao, and Honggang Zhang
- Abstract要約: 情報中心ネットワーク(ICN)は、予測結果に基づいて、限られた人気コンテンツをネットワークの端に積極的に保持することを目的としている。
本稿では,2部グラフに埋め込まれた構造パターンと時間パターンを協調的に学習するために,有効な動的グラフニューラルネットワーク(DGNN)を利用する。
また,情報時代(AoI)に基づくアテンション機構を提案し,貴重な歴史的情報を抽出する。
- 参考スコア(独自算出の注目度): 9.16219929722585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Along with the fast development of network technology and the rapid growth of
network equipment, the data throughput is sharply increasing. To handle the
problem of backhaul bottleneck in cellular network and satisfy people's
requirements about latency, the network architecture like information-centric
network (ICN) intends to proactively keep limited popular content at the edge
of network based on predicted results. Meanwhile, the interactions between the
content (e.g., deep neural network models, Wikipedia-alike knowledge base) and
users could be regarded as a dynamic bipartite graph. In this paper, to
maximize the cache hit rate, we leverage an effective dynamic graph neural
network (DGNN) to jointly learn the structural and temporal patterns embedded
in the bipartite graph. Furthermore, in order to have deeper insights into the
dynamics within the evolving graph, we propose an age of information (AoI)
based attention mechanism to extract valuable historical information while
avoiding the problem of message staleness. Combining this aforementioned
prediction model, we also develop a cache selection algorithm to make caching
decisions in accordance with the prediction results. Extensive results
demonstrate that our model can obtain a higher prediction accuracy than other
state-of-the-art schemes in two real-world datasets. The results of hit rate
further verify the superiority of the caching policy based on our proposed
model over other traditional ways.
- Abstract(参考訳): ネットワーク技術の急速な発展とネットワーク機器の急速な成長に伴い、データスループットは急激に向上している。
セルラーネットワークにおけるバックホールボトルネックの問題に対処し、遅延に関する人々の要求を満たすため、ICN(Information-centric Network)のようなネットワークアーキテクチャは、予測結果に基づいて、限られた人気コンテンツをネットワークの端に積極的に保持する。
一方、コンテンツ(ディープニューラルネットワークモデル、wikipediaのような知識ベースなど)とユーザ間の相互作用は、動的二部グラフと見なすことができる。
本稿では,キャッシュヒット率を最大化するために,実効動的グラフニューラルネットワーク(DGNN)を用いて,両部グラフに埋め込まれた構造パターンと時間パターンを共同学習する。
さらに,進化するグラフのダイナミクスに関する深い洞察を得るために,メッセージの停滞という問題を回避しつつ,貴重な歴史的情報を抽出するための情報時代(aoi)に基づく注意機構を提案する。
この予測モデルを組み合わせて,予測結果に応じてキャッシュ決定を行うキャッシュ選択アルゴリズムを開発した。
その結果,本モデルは実世界の2つのデータセットにおいて,最先端のスキームよりも高い予測精度が得られることがわかった。
ヒットレートの結果は、従来の手法よりも提案したモデルに基づくキャッシュポリシーの優位性をさらに検証する。
関連論文リスト
- Temporal Link Prediction Using Graph Embedding Dynamics [0.0]
動的ネットワークにおける時間的リンク予測は、複雑な科学的および現実世界の問題を解く可能性から特に関心がある。
時間的リンク予測への伝統的なアプローチは、ネットワークのダイナミックスの集約を統一的な出力として見つけることに集中してきた。
本稿では,ノードをニュートンオブジェクトとして定義し,ネットワークダイナミクスの予測に速度の概念を取り入れることで,時間的リンク予測の新しい視点を提案する。
論文 参考訳(メタデータ) (2024-01-15T07:35:29Z) - DURENDAL: Graph deep learning framework for temporal heterogeneous
networks [0.5156484100374057]
時間的異種ネットワーク(THN)は、多くの現実世界の応用を特徴付ける進化的ネットワークである。
THNのためのグラフ深層学習フレームワークであるDURENDALを提案する。
論文 参考訳(メタデータ) (2023-09-30T10:46:01Z) - INFLECT-DGNN: Influencer Prediction with Dynamic Graph Neural Networks [2.8497910326197586]
動的グラフニューラルネットワーク(GNN)とリカレントニューラルネットワーク(RNN)を用いた INFLuencer prEdiCTion のための新しいフレームワーク INFLECT-DGNN を紹介する。
この結果から, 時間特性の符号化にRNNを用いることで, 予測性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2023-07-16T19:04:48Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳(メタデータ) (2023-05-16T11:38:19Z) - CLSA: Contrastive Learning-based Survival Analysis for Popularity
Prediction in MEC Networks [36.01752474571776]
ディープニューラルネットワーク(DNN)と統合されたモバイルエッジキャッシング(MEC)は、将来の次世代無線ネットワークにとって大きな可能性を秘めている革新的な技術である。
MECネットワークの有効性は、最も人気のあるコンテンツでキャッシュノードのストレージを予測し、動的に更新する能力に大きく依存している。
有効にするためには、DNNベースの人気予測モデルには、コンテンツの歴史的要求パターンを理解する能力が必要である。
論文 参考訳(メタデータ) (2023-03-21T15:57:46Z) - Semantics-enhanced Temporal Graph Networks for Content Caching and
Energy Saving [21.693946854653785]
本稿では,DGNNモデルの時間的・構造的学習を強化するために,追加のセマンティックメッセージを利用する,STGNという時間的グラフネットワークを提案する。
また,ユーザ固有のアテンション機構を提案し,様々なセマンティクスをきめ細やかに集約する。
論文 参考訳(メタデータ) (2023-01-29T04:17:32Z) - Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。
GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
論文 参考訳(メタデータ) (2022-11-15T13:00:25Z) - Preference Enhanced Social Influence Modeling for Network-Aware Cascade
Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。
エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文 参考訳(メタデータ) (2022-04-18T09:25:06Z) - Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。
本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。
モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文 参考訳(メタデータ) (2020-12-31T18:48:58Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳(メタデータ) (2020-11-26T14:43:04Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳(メタデータ) (2020-07-18T01:11:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。