Fugu-MT 論文翻訳(概要): Graph Unlearning via Embedding Reconstruction -- A Range-Null Space Decomposition Approach

論文の概要: Graph Unlearning via Embedding Reconstruction -- A Range-Null Space Decomposition Approach

arxiv url: http://arxiv.org/abs/2508.02044v1
Date: Mon, 04 Aug 2025 04:26:38 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-05 18:25:22.170345
Title: Graph Unlearning via Embedding Reconstruction -- A Range-Null Space Decomposition Approach
Title（参考訳）: 埋め込み再構成によるグラフアンラーニング -- 距離核空間分解アプローチ
Authors: Hang Yin, Zipeng Liu, Xiaoyong Peng, Liyao Xiang,
Abstract要約: グラフアンラーニングは、GNNが広く様々なグラフ構造をアンラーニング要求を処理するように調整されている。本稿では,GNNにおける集約の過程を再構築することで逆転させる新しいノードアンラーニング手法を提案し,ノード間の相互作用学習にレンジ・ヌル空間分解を採用する。
参考スコア（独自算出の注目度）: 15.136403757194161
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph unlearning is tailored for GNNs to handle widespread and various graph structure unlearning requests, which remain largely unexplored. The GIF (graph influence function) achieves validity under partial edge unlearning, but faces challenges in dealing with more disturbing node unlearning. To avoid the overhead of retraining and realize the model utility of unlearning, we proposed a novel node unlearning method to reverse the process of aggregation in GNN by embedding reconstruction and to adopt Range-Null Space Decomposition for the nodes' interaction learning. Experimental results on multiple representative datasets demonstrate the SOTA performance of our proposed approach.
Abstract（参考訳）: グラフアンラーニングは、GNNが広く様々なグラフ構造をアンラーニング要求を処理するように調整されている。 GIF(グラフ影響関数)は、部分エッジアンラーニングの下で有効性を達成するが、より邪魔なノードアンラーニングを扱う際の課題に直面する。再学習のオーバーヘッドを回避し、未学習のモデルユーティリティを実現するために、再構成を組み込んでGNNの集約プロセスを逆転させる新しいノードアンラーニング手法を提案し、ノードの相互作用学習にレンジ・ヌル空間分解を採用する。複数の代表的なデータセットに対する実験結果は,提案手法のSOTA性能を示すものである。

関連論文リスト

Node-level Contrastive Unlearning on Graph Neural Networks [27.60189451838526]
グラフアンラーニングは、グラフ上でトレーニングされたグラフニューラルネットワーク(GNN)からグラフエンティティ(ノードとエッジ)のサブセットを削除することを目的としている。既存の作業では、グラフのパーティショニングや影響関数、その他のレイヤを使用して、グラフのアンラーニングを実現している。本稿では,埋め込み空間を利用して,より効果的なグラフアンラーニングを実現する。
論文参考訳（メタデータ） (2025-03-04T19:34:19Z)
Community-Centric Graph Unlearning [10.906555492206959]
我々は、新しいグラフ構造マッピング・アンラーニング・パラダイム(GSMU)と、それに基づく新しい手法CGE(Community-centric Graph Eraser)を提案する。 CGEは、コミュニティのサブグラフをノードにマッピングすることで、少ないマップ付きグラフ内でノードレベルの未学習操作の再構築を可能にする。
論文参考訳（メタデータ） (2024-08-19T05:37:35Z)
DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
論文参考訳（メタデータ） (2024-06-04T07:24:51Z)
Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文参考訳（メタデータ） (2024-01-12T17:57:07Z)
NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文参考訳（メタデータ） (2023-06-14T09:21:15Z)
GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
論文参考訳（メタデータ） (2023-04-06T03:02:54Z)
Efficiently Forgetting What You Have Learned in Graph Representation Learning via Projection [19.57394670843742]
線形GNNにおける非学習問題を考察し、非線形構造への拡張を導入する。学習するノードの集合が与えられた場合、事前学習されたモデルの重みパラメータを、忘れられるノードの特徴とは無関係な部分空間に投影することで学習するPROJECTORを提案する。
論文参考訳（メタデータ） (2023-02-17T16:49:10Z)
Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
論文参考訳（メタデータ） (2022-06-06T14:26:34Z)
Graph Neural Network with Curriculum Learning for Imbalanced Node Classification [21.085314408929058]
グラフニューラルネットワーク(GNN)は,ノード分類などのグラフベースの学習タスクの新興技術である。本研究では,ノードラベルの不均衡に対するGNNの脆弱性を明らかにする。本稿では,2つのモジュールからなるカリキュラム学習(GNN-CL)を備えたグラフニューラルネットワークフレームワークを提案する。
論文参考訳（メタデータ） (2022-02-05T10:46:11Z)
Partition-Based Active Learning for Graph Neural Networks [17.386869902409153]
グラフニューラルネットワーク(GNN)を用いた半教師あり学習の課題を,アクティブな学習環境において検討する。 GNNのための新しいパーティションベースのアクティブラーニングアプローチであるGraphPartを提案する。
論文参考訳（メタデータ） (2022-01-23T22:51:14Z)
Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文参考訳（メタデータ） (2022-01-17T11:57:29Z)
Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
論文参考訳（メタデータ） (2021-04-04T23:31:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。