Temporal Dual-Attention Graph Network for Popularity Prediction in MEC Networks
Notice bibliographique
Résumé
Mobile Edge Caching (MEC) emerges as a key technology in communication networks to minimize latency in handling user requests for high-demand, data-intensive services. Given the storage constraints of edge servers, it becomes imperative to dynamically cache the most popular content in a highly optimized and seamless fashion. To address this critical challenge, we leverage the capabilities of Graph Neural Networks (GNNs), renowned for their proficiency in modeling intricate interdependencies among users and content, inter-user interactions, and inter-content correlations. Existing GNN-based cashing solutions failed to properly manage computational complexity of the structural learning process, but instead mainly focused on enhancing the temporal learning aspects. Since edge servers are mainly resource-limited, it is crucial to reduce the complexity of models to reduce the train and test time. The paper addresses this gap. More specifically, capitalizing on the adaptive and scalable characteristics of GNNs, we propose the Temporal Dual Graph Attention Network (TDA-GNN) for efficient content popularity prediction in MEC networks. The proposed TDA-GNN framework employs two distinct attention units, recognizing the varied significance of neighbouring nodes and edge features in shaping node embeddings. Comparative analysis against a baseline architecture reveals that the proposed TDA-GNN framework boosts cache-hit rate. These findings underscore the potential of dual-attention mechanisms to significantly enhance MEC performance, promising smoother, faster access to content for mobile users.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».