論文の概要: Temporal Hyperbolic Graph Representation Learning for Scale-Free Internet Routing and Delay Prediction

• arxiv url: http://arxiv.org/abs/2605.28155v1
• Date: Wed, 27 May 2026 08:39:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.900307
• Title: Temporal Hyperbolic Graph Representation Learning for Scale-Free Internet Routing and Delay Prediction
• Title（参考訳）: 大規模インターネットルーティングと遅延予測のための時間的双曲グラフ表現学習
• Authors: Yi-Ling Kuo, Hao-Yu Tien, Shih-Yu Tsai,
• Abstract要約: HERMITは、双曲多様体保存時GNNとランダムフォレスト回帰器を組み合わせたハイブリッドフレームワークで、リンク予測とRTT予測を行う。 我々は,2015-2024年における大規模実インターネットデータセット上でのHERMITの評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting Internet round-trip time (RTT) is critical for routing optimization, quality-of-service (QoS) provisioning, and traffic engineering, yet remains challenging due to long-term temporal dependencies, evolving routing dynamics, and heavy-tailed latency distributions. While Temporal Graph Neural Networks (TGNNs) can model evolving network topologies, most existing approaches operate in Euclidean space, which poorly captures the hierarchical and scale-free structure of Internet routing graphs. Hyperbolic geometry provides a more suitable representation space. We propose HERMIT (Hyperbolic Edge-aware RTT Modeling via Integrated Topology), a hybrid framework combining a hyperbolic manifold-preserving temporal GNN with a Random Forest regressor for joint link prediction and RTT prediction. Built on HMPTGN, HERMIT introduces RTT-aware edge features and a learnable edge encoder to improve modeling of evolving link states and routing behavior. The resulting hyperbolic node representations are combined with historical RTT statistics for robust latency prediction. We evaluate HERMIT on a large-scale real Internet dataset spanning 2015-2024. HERMIT consistently outperforms a strong Random Forest baseline using only historical RTT statistics, achieving a 6% RMSE improvement while reducing large errors on heavy-tailed samples. It also surpasses prior hyperbolic TGNN models, including HMPTGN and HTGN, in link prediction performance. These results demonstrate that combining hyperbolic temporal graph learning with tree-based regression provides a scalable solution for RTT prediction in real-world Internet topologies.
• Abstract（参考訳）: インターネットのラウンドトリップ時間(RTT)の予測は、ルーティング最適化、QoS(Quality-of-Service)プロビジョニング、トラフィックエンジニアリングにおいて重要であるが、長期的な時間的依存関係、ルーティングのダイナミクスの進化、重み付きレイテンシ分布のため、依然として困難である。 時間グラフニューラルネットワーク(TGNN)は進化するネットワークトポロジをモデル化できるが、既存のアプローチのほとんどはユークリッド空間で運用されており、インターネットルーティンググラフの階層構造とスケールフリー構造が不十分である。 双曲幾何学はより適切な表現空間を提供する。 本稿では,HERMIT(Hyperbolic Edge-aware RTT Modeling via Integrated Topology)を提案する。 HMPTGN上に構築されたHERMITは、RTT対応エッジ機能と学習可能なエッジエンコーダを導入し、進化するリンク状態とルーティング動作のモデリングを改善する。 結果として得られる双曲ノード表現は、堅牢な遅延予測のための歴史的RTT統計と組み合わせられる。 我々は,2015-2024年における大規模実インターネットデータセット上でのHERMITの評価を行った。 HERMITは歴史的RTT統計のみを用いて強いランダムフォレストベースラインを一貫して上回り、重い尾のサンプルに大きな誤差を減らしながら6%のRMSE改善を実現している。 また、リンク予測性能において、HMPTGNやHTGNを含む従来の双曲型TGNNモデルを上回る。 これらの結果は,実世界のインターネットトポロジにおいて,双曲型時間グラフ学習と木に基づく回帰を組み合わせることで,RTT予測にスケーラブルなソリューションを提供することを示した。

関連論文リスト

• A Hybrid TGN-SEAL Model for Dynamic Graph Link Prediction [0.5836991649815993]
  スパースで継続的な進化を続けるネットワークにおけるリンクの予測は、ネットワーク科学における中心的な課題である。 本研究では,候補リンクを囲む部分グラフを抽出することで,Temporal Graph Networksフレームワークを改善する。 スパースCDRデータセットの実験により、我々の手法は標準のTGNよりも平均精度を2.6%向上させることが示された。
  論文  参考訳（メタデータ） (2026-02-15T17:16:47Z)
• Deep Learning to Identify the Spatio-Temporal Cascading Effects of Train Delays in a High-Density Network [7.850219269698452]
  本稿では,マルチステップ列車遅延予測のための新しいXGeoAIフレームワークを開発し,評価する。 この研究の核心は、2段階の自動回帰グラフ注意ネットワーク(GAT)モデルであり、オランダの鉄道ネットワークの40%以上をカバーする実世界のデータセットでトレーニングされている。 実運用における実稼働性をテストするため,このモデルを逐次kステップ先予測プロトコルを用いて厳格に評価する。
  論文  参考訳（メタデータ） (2025-10-10T13:03:00Z)
• GSMT: Graph Fusion and Spatiotemporal TaskCorrection for Multi-Bus Trajectory Prediction [3.391039124827674]
  GSMTは、グラフ注意ネットワーク(GAT)とシーケンス・ツー・シーケンス・リカレントニューラルネットワーク(RNN)を統合するハイブリッドモデルである。 タスク修正器は、歴史的軌跡をクラスタリングして、異なる動きパターンを特定し、GATおよびRNNによって生成された予測を微調整する。 マレーシアのクアラルンプール(Kuala Lumpur)で実世界のデータセットを用いて行った実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-08-12T06:54:26Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• STGformer: Efficient Spatiotemporal Graph Transformer for Traffic Forecasting [11.208740750755025]
  交通はスマートシティマネジメントの基盤であり、効率的なアロケーションと交通計画を可能にしている。 ディープラーニングは、データの複雑な非線形パターンをキャプチャする能力を持ち、トラフィック予測の強力なツールとして登場した。 グラフニューラルネットワーク(GCN)とトランスフォーマーベースのモデルは、将来性を示しているが、その計算要求はしばしば、現実のネットワークへの応用を妨げる。 本稿では,管理可能な計算フットプリントを維持しつつ,グローバルおよびローカルの両方のトラフィックパターンの効率的なモデリングを可能にする新しいテンポラルグラフトランスフォーマー(STG)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:15:48Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)

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。