Earticle

초록

영어

Cross-hospital EHR systems face privacy and workload diversity challenges that limit centralized learned optimization. We aim to build a federated query optimization framework that improves cost prediction and query execution efficiency while preserving institutional autonomy. We propose FedGQO, a federated graph-based query optimization model that combines plan-graph representation, GNN-based cost learning, and federated aggregation across hospitals. FedGQO enables collaborative training without sharing raw EHR data or detailed local query logs, while remaining robust under non-IID workloads. In experiments, it achieved an MSE of 8.98, a mean q-error of 1.21, and an average runtime of 8.40, outperforming the native optimizer and Local-GNN while remaining close to the centralized upper bound. These results show that FedGQO is an effective and privacy-preserving solution for cross-hospital EHR query optimization.

한국어

병원 간 전자의무기록 (EHR) 시스템은 중앙 집중식 학습 최적화를 제한하는 개인정보 보호 및 업무량 다양성 문제에 직면해 있다. 본 논문에서는 기관의 자율성을 유지하면서 비용 예측 및 쿼리 실행 효율성을 향상시키는 연합 쿼리 최적화 프레임워크를 구축하고자 한다. 계획 그래프 표현, GNN 기반 비용 학습, 그리고 병원 간 연합 집계 기능을 결합한 연합 그래프 기반 쿼리 최적화 모델인 FedGQO를 제안한다. FedGQO는 원시 EHR 데이터나 상세한 로컬 쿼리 로그를 공유하지 않고도 협업 학습을 가능하게 하며, 비독립 동일분포(non-IID) 워크로드 하에서도 견고함을 유지한다. 실험 결과, FedGQO는 MSE 8.98, 평균 q-오차 1.21, 평균 실행 시간 8.40을 달성하여, 중앙 집중식 상한선에 근접하면서도 기본 최적화기 및 Local-GNN을 능가하는 성능을 보였다. 이러한 결과는 FedGQO가 병원 간 전자의무기록 쿼리 최적화를 위한 효과적이고 개인정보를 보호하는 솔루션임을 입증한다.

목차

Abstract
요약
1. Introduction
2. Related Works
2.1 Current Status of Learned Query Optimization and Federated Graph Learning
2.2 Previous Works
3. Design of the FedGQO Model
3.1 Overview
3.2 Model Workflow
3.3 Algorithm Design
4. Evaluation and Result
4.1 Experimental Setup
4.2 Experimental Method
4.3 Performance Evaluation
4.4 Limitations and Future Work
5. Conclusions
REFERENCES

키워드

저자

• Qing-Quan Fan [ 범청천 | Student, Dept. of Computer and Media Engineering, Tongmyong University ]
• Ji-Hye Kim [ 김지혜 | Student, Dept. of Game Design, Kongju National University ]
• Seung-Soo Shin [ 신승수 | Professor, Dept. of Computer Engineering, Tongmyong University ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  산업과 과학 [Advanced Industrial SCIence]

• 간기

  격월간

• eISSN

  2951-2476

• 수록기간

  2022~2026

• 등재여부

  KCI 등재후보

• 십진분류

  KDC 004 DDC 004