Earticle

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.

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.