.png){kind=icon}
返回
Graph Unlearning System with Subgraph De-Isolation Measures
.png){kind=icon}
PRE
AI
DOI：10.1145/3750734.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图遗忘系统为从图神经网络（GNNs）中安全擦除特定数据点及其关联影响提供了有前景的解决方案。然而，现有方法通常将问题视为多个孤立且不连续的子问题，通过将图数据划分为孤立子图，忽略了子图之间的原生图结构信息。这导致产生有偏的表示，阻碍了对数据中关键连接和关系的准确建模，由于信息损失导致模型效用显著降低。为解决这些问题，我们提出了一种名为非孤立图擦除器（NIGEraser）的创新框架，将遗忘任务分解为多个非孤立、相交的子问题。具体而言，NIGEraser提出了一种新颖的非孤立图划分策略，通过在多个邻近子图中复制关键节点来减轻孤立性，并结合基于注意力的子模型聚合技术，利用全局图结构信息。通过此设计，探索了更广泛的自然邻域，捕获并有效利用了划分过程中子图间丢失的关键图结构特征，从而在任务分解和聚合过程中减少信息损失。此外，研究表明图遗忘方法能够克服传统孤立划分策略的局限性，为时间消耗提供了有效的理论约束。在四个真实世界图结构数据集上的大量实验表明，NIGEraser始终优于现有遗忘方法，在确保高效且确定的数据移除的同时提供更优的模型效用。
Keyword:
Graph Unlearning
Data Privacy
Graph Neural Networks
Non-Isolated Partition
期刊
A
IF:
2.1
论文数:
24
被引数:
378
机构
查看更多机构
引用论文
暂无论文信息