.png){kind=icon}
返回
Hypergraph Unlearning: A Size-Based Hyperedge Selection and Coverage Aggregation Approach
.png){kind=icon}
PRE
AI
DOI：10.1109/TIFS.2025.3580218.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图遗忘旨在可证明地从图神经网络（GNNs）中移除部分训练数据，同时消除其对模型预测的影响。尽管从零开始重新训练GNNs是一种直接且合理的解决方案，但它需要大量的计算资源。为解决这一问题，针对图数据领域的图遗忘方法已被提出。然而，将现有的图遗忘方法直接应用于超图数据会影响模型效用。具体而言，图遗忘方法严重破坏了超图的高阶结构信息，并且无法移除所有需要遗忘的信息。在本文中，我们提出了基于超边规模的核共享分解（Hyperedge Size-Based Core-Sharing Decomposition），一种针对超图数据结构特征的新型超图遗忘框架。其贡献包括一种特定的超子图划分方法和一种基于节点覆盖的聚合方法。我们在七个真实世界的超图数据集上进行了广泛的实验，以证明遗忘效率和模型效用。与基线方法相比，我们的方法最高可提高5%的准确率，并将平均遗忘时间减少了28%。此外，我们的基于节点覆盖的聚合方法最高可提高6%的准确率。
Keyword:
Hypergraph
graph unlearning
hypergraph unlearning
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
机构
引用论文
分享收藏A Survey on Large Language Model (LLM) Security and Privacy: The Good, The Bad, and The Ugly关于大型语言模型 (LLM) 安全性和隐私的调查: 好，坏和丑陋
OAAI
OAAI分享收藏
Efficient indexing and searching of constrained core in hypergraphs超图中有约束核心的高效索引与搜索.png)
VLDB JOURNAL
VLDB JOURNALIF3.8
PREAI
分享收藏分享收藏
查看更多内容