論文の概要: Graph Unlearning: Efficient Node Removal in Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2509.04785v1
• Date: Fri, 05 Sep 2025 03:47:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.470548
• Title: Graph Unlearning: Efficient Node Removal in Graph Neural Networks
• Title（参考訳）: グラフアンラーニング:グラフニューラルネットワークの効率的なノード除去
• Authors: Faqian Guan, Tianqing Zhu, Zhoutian Wang, Wei Ren, Wanlei Zhou,
• Abstract要約: ノードアンラーニングは、グラフニューラルネットワーク(GNN)モデルにおける機密ノードのプライバシを保護するための有望なテクニックである。 本稿では, クラスベースラベル置換, トポロジ誘導近傍平均後確率, クラス一貫性近傍ノードフィルタリングの3つの新しいノードアンラーニング手法を提案する。 提案手法は, センシティブなトレーニングノードを効率よく除去し, センシティブなノードのプライバシー情報を保護する。
• 参考スコア（独自算出の注目度）: 19.67484459398424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With increasing concerns about privacy attacks and potential sensitive information leakage, researchers have actively explored methods to efficiently remove sensitive training data and reduce privacy risks in graph neural network (GNN) models. Node unlearning has emerged as a promising technique for protecting the privacy of sensitive nodes by efficiently removing specific training node information from GNN models. However, existing node unlearning methods either impose restrictions on the GNN structure or do not effectively utilize the graph topology for node unlearning. Some methods even compromise the graph's topology, making it challenging to achieve a satisfactory performance-complexity trade-off. To address these issues and achieve efficient unlearning for training node removal in GNNs, we propose three novel node unlearning methods: Class-based Label Replacement, Topology-guided Neighbor Mean Posterior Probability, and Class-consistent Neighbor Node Filtering. Among these methods, Topology-guided Neighbor Mean Posterior Probability and Class-consistent Neighbor Node Filtering effectively leverage the topological features of the graph, resulting in more effective node unlearning. To validate the superiority of our proposed methods in node unlearning, we conducted experiments on three benchmark datasets. The evaluation criteria included model utility, unlearning utility, and unlearning efficiency. The experimental results demonstrate the utility and efficiency of the proposed methods and illustrate their superiority compared to state-of-the-art node unlearning methods. Overall, the proposed methods efficiently remove sensitive training nodes and protect the privacy information of sensitive nodes in GNNs. The findings contribute to enhancing the privacy and security of GNN models and provide valuable insights into the field of node unlearning.
• Abstract（参考訳）: プライバシ攻撃や潜在的な機密情報漏洩に対する懸念が高まる中、研究者はグラフニューラルネットワーク(GNN)モデルにおいて、センシティブなトレーニングデータを効率的に除去し、プライバシリスクを低減する方法を積極的に検討している。 ノードアンラーニングは、GNNモデルから特定のトレーニングノード情報を効率的に取り除き、センシティブなノードのプライバシを保護するための有望なテクニックとして登場した。 しかし、既存のノードアンラーニング手法は、GNN構造に制限を課すか、ノードアンラーニングにグラフトポロジを効果的に利用しない。 グラフのトポロジを損なうメソッドもあるため、十分なパフォーマンスと複雑さのトレードオフを達成するのは難しい。 これらの問題に対処し,GNNにおける学習ノード除去のための効率的なアンラーニングを実現するために,クラスベースラベル置換,トポロジー誘導近傍平均後確率,クラス一貫性近傍ノードフィルタリングという3つの新しいノードアンラーニング手法を提案する。 これらの手法のうち、トポロジ誘導近傍平均後確率とクラス一貫性近傍ノードフィルタリングは、グラフのトポロジ的特徴を効果的に活用し、ノードの非学習をより効果的にする。 ノードアンラーニングにおける提案手法の優位性を検証するために,3つのベンチマークデータセットを用いて実験を行った。 評価基準には、モデルユーティリティ、未学習ユーティリティ、未学習効率が含まれていた。 実験の結果,提案手法の有用性と効率を実証し,最先端のノードアンラーニング手法と比較して優位性を示した。 提案手法は, センシティブなトレーニングノードを効率よく除去し, センシティブなノードのプライバシー情報を保護する。 この結果は、GNNモデルのプライバシとセキュリティの向上に寄与し、ノードアンラーニングの分野に関する貴重な洞察を提供する。

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)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• STERLING: Synergistic Representation Learning on Bipartite Graphs [78.86064828220613]
  二部グラフ表現学習の基本的な課題は、ノードの埋め込みを抽出する方法である。 最近の二部グラフSSL法は、正ノード対と負ノード対を識別することによって埋め込みを学習する対照的な学習に基づいている。 負のノードペアを持たないノード埋め込みを学習するための新しい相乗的表現学習モデル(STERling)を提案する。
  論文  参考訳（メタデータ） (2023-01-25T03:21:42Z)
• Every Node Counts: Improving the Training of Graph Neural Networks on Node Classification [9.539495585692007]
  ノード分類のためのGNNのトレーニングのための新しい目的語を提案する。 我々の第一項は、ノードとラベルの特徴間の相互情報を最大化することを目的としている。 第2項は予測写像における異方的滑らか性を促進する。
  論文  参考訳（メタデータ） (2022-11-29T23:25:14Z)
• Robust Knowledge Adaptation for Dynamic Graph Neural Networks [61.8505228728726]
  動的グラフニューラルネットワークのための強化学習による堅牢な知識適応フレームワークであるAda-DyGNNを提案する。 我々のアプローチは、強化学習による堅牢な知識適応を探求する最初の試みである。 3つのベンチマークデータセットの実験は、Ada-DyGNNが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2022-07-22T02:06:53Z)
• Node-Level Differentially Private Graph Neural Networks [14.917945355629563]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データをモデル化するための一般的な手法である。 この研究は、ノードレベルのプライバシで1層GNNを学習する問題を正式に定義する。 強力な差分プライバシー保証を備えたアルゴリズムによるソリューションを提供する。
  論文  参考訳（メタデータ） (2021-11-23T16:18:53Z)
• 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)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• When Contrastive Learning Meets Active Learning: A Novel Graph Active Learning Paradigm with Self-Supervision [19.938379604834743]
  本稿では,グラフニューラルネットワーク(GNN)の性能を最大化するための最も情報性の高いノードを発見することを目的とした,グラフ上のアクティブラーニング(AL)について検討する。 比較学習(CL)の成功に触発され,グラフALをCLとシームレスに統合する新しいパラダイムを提案する。 5つの公開データセットに対する包括的かつ不確定な実験は、我々の手法が最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-30T06:20:07Z)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。