論文の概要: High Order Collaboration-Oriented Federated Graph Neural Network for Accurate QoS Prediction

• arxiv url: http://arxiv.org/abs/2507.05308v1
• Date: Mon, 07 Jul 2025 09:28:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.257352
• Title: High Order Collaboration-Oriented Federated Graph Neural Network for Accurate QoS Prediction
• Title（参考訳）: 高精度QoS予測のための高次協調指向フェデレーショングラフニューラルネットワーク
• Authors: Zehuan Chen, Xiangwei Lai,
• Abstract要約: Federated Graph Neural Networks(FGNN)は、データの予測とユーザのプライバシの維持を可能にする。 既存のFGNNベースの予測器は、散在する明示的なユーザサービスグラフ上でデバイス上でのトレーニングを行うのが一般的である。 本研究では,高次協調指向グラフニューラルネットワーク(HCFGNN)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting Quality of Service (QoS) data crucial for cloud service selection, where user privacy is a critical concern. Federated Graph Neural Networks (FGNNs) can perform QoS data prediction as well as maintaining user privacy. However, existing FGNN-based QoS predictors commonly implement on-device training on scattered explicit user-service graphs, thereby failing to utilize the implicit user-user interactions. To address this issue, this study proposes a high order collaboration-oriented federated graph neural network (HC-FGNN) to obtain accurate QoS prediction with privacy preservation. Concretely, it magnifies the explicit user-service graphs following the principle of attention mechanism to obtain the high order collaboration, which reflects the implicit user-user interactions. Moreover, it utilizes a lightweight-based message aggregation way to improve the computational efficiency. The extensive experiments on two QoS datasets from real application indicate that the proposed HC-FGNN possesses the advantages of high prediction accurate and privacy protection.
• Abstract（参考訳）: QoS(Predicting Quality of Service)データの予測は、ユーザのプライバシが重要な懸念事項であるクラウドサービスの選択に不可欠である。 Federated Graph Neural Networks(FGNN)は、QoSデータ予測とユーザのプライバシの維持を行うことができる。 しかし、既存のFGNNベースのQoS予測器は、散在する明示的なユーザサービスグラフのオンデバイストレーニングを一般的に実施しているため、暗黙のユーザ-ユーザインタラクションを利用できない。 そこで本研究では,高次協調指向型フェデレーショングラフニューラルネットワーク(HC-FGNN)を提案する。 具体的には、注意機構の原則に従って明示的なユーザサービスグラフを拡大し、暗黙のユーザ-ユーザインタラクションを反映した高次のコラボレーションを得る。 さらに、軽量なメッセージアグリゲーション方式を用いて、計算効率を向上させる。 実アプリケーションからの2つのQoSデータセットに関する広範な実験は、提案されたHC-FGNNが高い予測精度とプライバシ保護の利点を持っていることを示している。

関連論文リスト

• Efficient and Privacy-Preserved Link Prediction via Condensed Graphs [49.898152180805454]
  本稿では,HyDROtextsuperscript+について紹介する。 提案手法は,従来のネットワーク上でのリンク予測と比較して,約20*高速なトレーニングを実現し,ストレージ要求を452*削減する。
  論文  参考訳（メタデータ） (2025-03-15T14:54:04Z)
• Anomaly Resilient Temporal QoS Prediction using Hypergraph Convoluted Transformer Network [0.47248250311484113]
  QoS(Quality-of-Service)予測は、サービスライフサイクルにおいて重要なタスクです。 従来の手法では、しばしばデータスパーシリティとコールドスタートの問題に遭遇する。 時間的予測のためのリアルタイム信頼対応フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-10-23T11:01:39Z)
• GACL: Graph Attention Collaborative Learning for Temporal QoS Prediction [5.040979636805073]
  時間的予測のための新しいグラフ協調学習(GACL)フレームワークを提案する。 動的ユーザサービスグラフ上に構築され、過去のインタラクションを包括的にモデル化する。 WS-DREAMデータセットの実験は、GACLが時間的予測のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-08-20T05:38:47Z)
• Large Language Model Meets Graph Neural Network in Knowledge Distillation [7.686812700685084]
  サービス指向アーキテクチャにおけるQoS(Quality of Service)を予測するための時間認識フレームワークを提案する。 提案するTOGCLフレームワークは,複数のメトリクスにわたって最先端のメソッドを著しく上回り,最大38.80%の改善を実現している。
  論文  参考訳（メタデータ） (2024-02-08T18:33:21Z)
• ARRQP: Anomaly Resilient Real-time QoS Prediction Framework with Graph Convolution [0.16317061277456998]
  我々は、データ内の異常に対するレジリエンスを改善することに焦点を当てたリアルタイム予測フレームワーク(ARRQP)を導入する。 ARRQPはコンテキスト情報と協調的な洞察を統合し、ユーザとサービスのインタラクションの包括的な理解を可能にする。 ベンチマークWS-DREAMデータセットの結果は、正確でタイムリーな予測を達成する上で、フレームワークの有効性を示している。
  論文  参考訳（メタデータ） (2023-09-22T04:37:51Z)
• A Survey on Privacy in Graph Neural Networks: Attacks, Preservation, and Applications [76.88662943995641]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを扱う能力のため、大きな注目を集めている。 この問題に対処するため、研究者らはプライバシー保護のGNNの開発を開始した。 この進歩にもかかわらず、攻撃の包括的概要と、グラフドメインのプライバシを保存するためのテクニックが欠如している。
  論文  参考訳（メタデータ） (2023-08-31T00:31:08Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)

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。