論文の概要: FedNET: Federated Learning for Proactive Traffic Management and Network Capacity Planning

• arxiv url: http://arxiv.org/abs/2511.06797v1
• Date: Mon, 10 Nov 2025 07:36:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.138817
• Title: FedNET: Federated Learning for Proactive Traffic Management and Network Capacity Planning
• Title（参考訳）: FedNET: 積極的なトラフィック管理とネットワーク容量計画のためのフェデレーションラーニング
• Authors: Saroj Kumar Panda, Basabdatta Palit, Sadananda Behera,
• Abstract要約: FedNETは、大規模通信ネットワークにおけるリスクの高いリンクを早期に識別するためのフレームワークである。 FedNETは、ノードレベルのトラフィックの時間的進化を分散的にモデル化するためにフェデレートラーニングを採用している。
• 参考スコア（独自算出の注目度）: 1.9818048023246968
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose FedNET, a proactive and privacy-preserving framework for early identification of high-risk links in large-scale communication networks, that leverages a distributed multi-step traffic forecasting method. FedNET employs Federated Learning (FL) to model the temporal evolution of node-level traffic in a distributed manner, enabling accurate multi-step-ahead predictions (e.g., several hours to days) without exposing sensitive network data. Using these node-level forecasts and known routing information, FedNET estimates the future link-level utilization by aggregating traffic contributions across all source-destination pairs. The links are then ranked according to the predicted load intensity and temporal variability, providing an early warning signal for potential high-risk links. We compare the federated traffic prediction of FedNET against a centralized multi-step learning baseline and then systematically analyze the impact of history and prediction window sizes on forecast accuracy using the $R^2$ score. Results indicate that FL achieves accuracy close to centralized training, with shorter prediction horizons consistently yielding the highest accuracy ($R^2 >0.92$), while longer horizons providing meaningful forecasts ($R^2 \approx 0.45\text{--}0.55$). We further validate the efficacy of the FedNET framework in predicting network utilization on a realistic network topology and demonstrate that it consistently identifies high-risk links well in advance (i.e., three days ahead) of the critical stress states emerging, making it a practical tool for anticipatory traffic engineering and capacity planning.
• Abstract（参考訳）: 本稿では,大規模通信ネットワークにおけるリスクの高いリンクを早期に識別するための,プロアクティブかつプライバシ保護のフレームワークであるFedNETを提案する。 FedNETはFederated Learning(FL)を使用して、ノードレベルのトラフィックの時間的進化を分散的にモデル化する。 これらのノードレベルの予測と既知のルーティング情報を用いて、FedNETは、すべてのソース/送信ペア間のトラフィックコントリビューションを集約することによって、将来のリンクレベルの利用を推定する。 リンクは予測負荷強度と時間変動に応じてランク付けされ、潜在的なハイリスクリンクに対する早期警告信号を提供する。 我々はFedNETのフェデレーショントラフィック予測を集中型多段階学習ベースラインと比較し、R^2$スコアを用いて履歴と予測ウィンドウサイズが予測精度に与える影響を体系的に分析する。 その結果、FLは集中トレーニングに近い精度を達成し、予測地平線は一貫して高い精度(R^2 >0.92$)を得る一方、予測地平線は有意義な予測(R^2 \approx 0.45\text{-}0.55$)を提供する(R^2 \approx 0.45\text{-}0.55$)。 我々は、現実的なネットワークトポロジ上でネットワーク利用を予測するためのFedNETフレームワークの有効性をさらに検証し、危機的ストレス状態が出現する前(すなわち3日先)にハイリスクリンクを確実に特定できることを示し、予測トラフィックエンジニアリングとキャパシティプランニングの実践的なツールとなる。

関連論文リスト

• Uncertainty-Aware Graph Neural Networks: A Multi-Hop Evidence Fusion Approach [55.43914153271912]
  グラフニューラルネットワーク(GNN)は、グラフ構造とノード機能を統合することにより、グラフ表現学習に優れる。 既存のGNNでは、モデルの深さによって異なるクラス確率の不確実性を考慮することができず、現実のシナリオでは信頼できない、リスクの高い予測が生じる。 本稿では,信頼に値する予測を達成し,ノード分類精度を高め,誤予測のリスクを明らかにするために,新しいEvidence Fusing Graph Neural Network (EFGNN)を提案する。
  論文  参考訳（メタデータ） (2025-06-16T03:59:38Z)
• WardropNet: Traffic Flow Predictions via Equilibrium-Augmented Learning [3.592366968127126]
  我々は,高速かつ正確なトラフィックフロー予測を可能にする,新しい拡張ニューラルネットワークアーキテクチャを導入する。 本稿では、平衡の幾何に適合するブレグマンの発散を利用して、エンドツーエンドの学習を可能にする方法を示す。 WardropNetは、リアルでスタイリングされたトラフィックシナリオに対するトラフィック均衡を予測する純粋な学習ベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2024-10-09T08:07:29Z)
• Causally-Aware Spatio-Temporal Multi-Graph Convolution Network for Accurate and Reliable Traffic Prediction [5.200012764049096]
  本研究は,高精度かつ信頼性の高い予測を行うための高度な深層学習モデルを実証するために,時間的問題-トラヒック予測の事例に焦点を当てた。 本稿では,3つの主要コンポーネントを有効活用し,高精度かつ信頼性の高いトラフィック予測を行う,エンドツーエンドのトラフィック予測フレームワークを提案する。 2つの実世界の交通データセットの実験結果から,この手法は予測精度においていくつかの最先端モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-23T14:35:54Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• STG-GAN: A spatiotemporal graph generative adversarial networks for short-term passenger flow prediction in urban rail transit systems [11.167132464665578]
  短期の旅客フロー予測は、都市交通システムを管理する上で重要であるが、難しい課題である。 本稿では,予測精度が高く,高い効率,メモリ占有率の低い,ディープラーニングに基づく時間グラフ生成対向ネットワーク(STG-GAN)モデルを提案する。 本研究は、特に現実の応用の観点から、短期の乗客フロー予測を行う上で、批判的な経験を提供することができる。
  論文  参考訳（メタデータ） (2022-02-10T13:18:11Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)

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。