Fugu-MT 論文翻訳(概要): Spatio-Temporal Graph Unlearning

論文の概要: Spatio-Temporal Graph Unlearning

arxiv url: http://arxiv.org/abs/2511.09404v1
Date: Thu, 13 Nov 2025 01:52:32 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-13 22:34:54.554288
Title: Spatio-Temporal Graph Unlearning
Title（参考訳）: 時空間グラフアンラーニング
Authors: Qiming Guo, Wenbo Sun, Wenlu Wang,
Abstract要約: CallosumNetは、コーパス・カロサム構造にインスパイアされた分割およびブリッジングS時間グラフアンラーニングフレームワークである。 CallosumNetは、ゴールドモデルに比べて1%-2%のMAE損失しか得られない完全なアンラーニングを実現している。
参考スコア（独自算出の注目度）: 11.249016471516398
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Spatio-temporal graphs are widely used in modeling complex dynamic processes such as traffic forecasting, molecular dynamics, and healthcare monitoring. Recently, stringent privacy regulations such as GDPR and CCPA have introduced significant new challenges for existing spatio-temporal graph models, requiring complete unlearning of unauthorized data. Since each node in a spatio-temporal graph diffuses information globally across both spatial and temporal dimensions, existing unlearning methods primarily designed for static graphs and localized data removal cannot efficiently erase a single node without incurring costs nearly equivalent to full model retraining. Therefore, an effective approach for complete spatio-temporal graph unlearning is a pressing need. To address this, we propose CallosumNet, a divide-and-conquer spatio-temporal graph unlearning framework inspired by the corpus callosum structure that facilitates communication between the brain's two hemispheres. CallosumNet incorporates two novel techniques: (1) Enhanced Subgraph Construction (ESC), which adaptively constructs multiple localized subgraphs based on several factors, including biologically-inspired virtual ganglions; and (2) Global Ganglion Bridging (GGB), which reconstructs global spatio-temporal dependencies from these localized subgraphs, effectively restoring the full graph representation. Empirical results on four diverse real-world datasets show that CallosumNet achieves complete unlearning with only 1%-2% relative MAE loss compared to the gold model, significantly outperforming state-of-the-art baselines. Ablation studies verify the effectiveness of both proposed techniques.
Abstract（参考訳）: 時空間グラフは交通予測、分子動力学、医療モニタリングといった複雑な動的プロセスのモデリングに広く用いられている。近年,GDPR や CCPA などの厳格なプライバシー規制が,既存の時空間グラフモデルに新たな大きな課題をもたらしている。時空間グラフ内の各ノードは空間次元と時間次元の両方にわたって情報を拡散するため、既存の未学習手法は主に静的グラフ用に設計され、局所データ削除はフルモデル再学習とほぼ同等のコストで単一ノードを効率よく消去することができない。したがって、完全な時空間グラフアンラーニングのための効果的なアプローチは、迫力のあるニーズである。そこで本研究では,脳の2つの半球間のコミュニケーションを容易にするコーパスカロサム構造に着想を得た,分割対対時空間グラフ学習フレームワークCallosumNetを提案する。カロサムネットは,(1)生物学的にインスパイアされた仮想神経節を含むいくつかの要因に基づいて複数の局所的な部分グラフを適応的に構築する拡張サブグラフ構築(ESC)と,(2)グローバルガングリオンブリッジ(GGB)という,これらの局所的な部分グラフからグローバルな時空間的依存関係を再構築し,全グラフ表現を効果的に復元する2つの新しい手法を取り入れている。 4つの異なる実世界のデータセットの実証的な結果から、CallosumNetは、ゴールドモデルと比較して1%-2%の相対的MAE損失で完全な未学習を達成し、最先端のベースラインを著しく上回る結果となった。アブレーション研究は、両方の手法の有効性を検証する。

関連論文リスト

Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2024-09-26T16:22:08Z)
Mending of Spatio-Temporal Dependencies in Block Adjacency Matrix [3.529869282529924]
本稿では,時間的依存を考慮に入れた新たなエンドツーエンド学習アーキテクチャを提案する。提案手法は,SurgVisDomやC2D2などのベンチマークデータセット上での優れた性能を示す。
論文参考訳（メタデータ） (2023-10-04T06:42:33Z)
Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間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） (2023-02-25T03:37:00Z)
Taming Local Effects in Graph-based Spatiotemporal Forecasting [28.30604130617646]
時相グラフニューラルネットワークは時系列予測に有効であることが示されている。本稿では,グラフに基づく時間的予測におけるグローバル性と局所性の間の相互作用を理解することを目的とする。このようなアーキテクチャにトレーニング可能なノード埋め込みを組み込むことを合理化するための方法論的枠組みを提案する。
論文参考訳（メタデータ） (2023-02-08T14:18:56Z)
Localized Contrastive Learning on Graphs [110.54606263711385]
局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
論文参考訳（メタデータ） (2022-12-08T23:36:00Z)
Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文参考訳（メタデータ） (2022-06-30T03:37:50Z)
Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文参考訳（メタデータ） (2022-05-06T03:37:00Z)
Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。 kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
論文参考訳（メタデータ） (2022-02-25T10:02:49Z)
Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-25T08:45:14Z)

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。