Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Graph Unlearning: E​​fficient Node Removal in Graph Neural Networks

Created by
  • Haebom

作者

Faqian Guan, Tianqing Zhu, Zhoutian Wang, Wei Ren, Wanlei Zhou

概要

この論文は、グラフニューラルネットワーク（GNN）モデルから機密トレーニングデータを効率的に排除し、プライバシーリスクを減らすための3つの新しいノードアンラーニング方法を提案します。既存の方法の Limitations である GNN 構造制約、グラフトポロジの活用不足、性能-複雑さ間のバランスの問題を解決するために、Class-based Label Replacement、Topology-guided Neighbor Mean Posterior Probability、Class-consistent Neighbor Node Filtering の 3 つの方法を提示します。特に、Topology-guided Neighbor Mean Posterior Probability と Class-consistent Neighbor Node Filtering は、グラフのトポロジー特性を活用して、効果的なノードのアンランニングを実行します。 3つの方法のパフォーマンスを3つのベンチマークデータセットを使用して、モデルユーティリティ、アンランニングユーティリティ、およびアンランニング効率に基づいて評価したところ、従来の方法よりも優れた性能を示すことがわかりました。本研究は、GNNモデルのプライバシーとセキュリティの向上に貢献し、ノードアンランニングの分野への貴重な洞察を提供します。

Takeaways、Limitations

•
Takeaways:
◦
GNNモデルのプライバシーとセキュリティの向上に寄与する効率的なノードアンランニング方法の提示
◦
グラフトポロジーを活用して既存の方法のLimitationsを克服。
◦
3つの新しいノードアンランニング法の卓越性を実験的に検証した。
◦
モデルユーティリティ、アンランニングユーティリティ、アンランニング効率をすべて考慮した包括的な評価を行います。
•
Limitations：
◦
提案された方法の一般化性能に関するさらなる研究の必要性
◦
さまざまな種類のGNN構造とデータセットの実験拡張が必要です。
◦
実際のアプリケーション環境でのパフォーマンスと効率の検証が必要です。
👍
Made with Slashpage