Graph unlearning based on optimized saliency parameters

Yu Yang

doi:10.1016/j.hcc.2026.100446

Graph unlearning based on optimized saliency parameters

2026-10-21

0

OA

AI

DOI：10.1016/j.hcc.2026.100446

原文链接

摘要

En 中文

近年来，从训练好的图神经网络（GNNs）中移除特定信息的需求日益重要。然而，现有的解决方案（如完全重新训练或无差别参数调整）计算成本高昂，并且通常导致模型性能下降或遗忘不彻底。为解决这些局限性，我们提出了一种基于优化显著性参数的新型图遗忘方法。该方法在保持模型整体有效性的同时实现有效遗忘。在该方法中，我们首先通过多次前向传播分析节点预测误差，捕捉其全局统计模式，并识别对模型性能影响最大的代表性节点。其次，我们利用Fisher信息矩阵估计待遗忘和保留样本的重要性，并构建参数级掩码以指导遗忘过程中的选择性更新。最后，我们构建一个双目标优化问题，联合考虑遗忘有效性和保留性能，并通过帕累托前沿分析确定两者之间的最优平衡。在多个GNN模型和真实数据集上的广泛实验表明，我们的方法在遗忘质量、模型性能和计算效率方面均优于现有方法。

Keyword:

Graph unlearning

Saliency parameters

Graph neural networks

Model utility

Graph unlearning based on optimized saliency parameters

摘要

期刊

机构

引用论文