論文の概要: Re-understanding Graph Unlearning through Memorization

• arxiv url: http://arxiv.org/abs/2601.14694v1
• Date: Wed, 21 Jan 2026 06:14:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.255862
• Title: Re-understanding Graph Unlearning through Memorization
• Title（参考訳）: 記憶を通したグラフアンラーニングの再理解
• Authors: Pengfei Ding, Yan Wang, Guanfeng Liu,
• Abstract要約: グラフアンラーニングは、グラフデータが機密性、ラベルのずれ、悪意のある情報を含む可能性のあるWebアプリケーションにおいて不可欠である。 既存のグラフアンラーニング手法では、未学習の有効性を決定する重要な要素が明確に理解されていない。 これらの問題に対処するために,覚書誘導グラフアンラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.790691085946052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph unlearning (GU), which removes nodes, edges, or features from trained graph neural networks (GNNs), is crucial in Web applications where graph data may contain sensitive, mislabeled, or malicious information. However, existing GU methods lack a clear understanding of the key factors that determine unlearning effectiveness, leading to three fundamental limitations: (1) impractical and inaccurate GU difficulty assessment due to test-access requirements and invalid assumptions, (2) ineffectiveness on hard-to-unlearn tasks, and (3) misaligned evaluation protocols that overemphasize easy tasks and fail to capture true forgetting capability. To address these issues, we establish GNN memorization as a new perspective for understanding graph unlearning and propose MGU, a Memorization-guided Graph Unlearning framework. MGU achieves three key advances: it provides accurate and practical difficulty assessment across different GU tasks, develops an adaptive strategy that dynamically adjusts unlearning objectives based on difficulty levels, and establishes a comprehensive evaluation protocol that aligns with practical requirements. Extensive experiments on ten real-world graphs demonstrate that MGU consistently outperforms state-of-the-art baselines in forgetting quality, computational efficiency, and utility preservation.
• Abstract（参考訳）: トレーニングされたグラフニューラルネットワーク(GNN)からノード、エッジ、あるいは機能を削除したグラフアンラーニング(GU)は、グラフデータが機密性、ラベルの誤り、悪意のある情報を含む可能性のあるWebアプリケーションにおいて不可欠である。 しかし、既存のGU手法では、(1)テストアクセシビリティ要件と不正確な仮定によるGUの難易度評価の非現実的かつ不正確な評価、(2)困難で未学習なタスクに対する非効率性、(3)簡単なタスクを過度に強調し、真の忘れる能力の獲得に失敗する不整合評価プロトコルの3つの根本的な制限が生じる。 これらの問題に対処するため,グラフアンラーニングの新たな視点としてGNN覚書を定め,覚書誘導型グラフアンラーニングフレームワークMGUを提案する。 MGUは、異なるGUタスクにまたがって正確で実践的な難易度評価を提供し、難易度に基づいて非学習目標を動的に調整する適応戦略を開発し、実践的な要件に整合した総合的な評価プロトコルを確立する。 10個の実世界のグラフに関する大規模な実験は、MGUが品質、計算効率、ユーティリティ保存を忘れることにおいて、最先端のベースラインを一貫して上回っていることを示している。

関連論文リスト

• Certified Signed Graph Unlearning [14.785615325492051]
  符号付きグラフは、正および負のエッジを通じて複雑な関係をモデル化する。 既存のグラフアンラーニング手法は、重要なサイン情報を失い、モデルユーティリティとアンラーニングの有効性の両方を劣化させる。 我々は,SGNNの基礎となる社会学的原則を維持しつつ,証明可能なプライバシ保証を提供するCSGU(Certified Signed Graph Unlearning)を提案する。
  論文  参考訳（メタデータ） (2025-11-18T06:09:17Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Adaptive Graph Unlearning [9.776144370922086]
  AGUは、多様な未学習タスクやGNNアーキテクチャに柔軟に対応する、新しいAdaptive Graph Unlearningフレームワークである。 AGUは、残りのグラフの完全性を維持しながら、削除された要素を完全に忘れることを保証する。 また、GNNアーキテクチャごとに影響を受ける隣人を正確に識別し、未学習のパフォーマンスを高めるために重要なものを優先順位付けする。
  論文  参考訳（メタデータ） (2025-05-19T01:56:55Z)
• OpenGU: A Comprehensive Benchmark for Graph Unlearning [24.605943688948038]
  Graph Unlearning(GU)は、プライバシに敏感なアプリケーションにとって重要なソリューションとして登場した。 最初のGUベンチマークであるOpenGUでは、16のSOTA GUアルゴリズムと37のマルチドメインデータセットが統合されている。 既存のGUメソッドに関する決定的な結論は8ドルもしますが、その一方で、その制限について貴重な洞察を得ています。
  論文  参考訳（メタデータ） (2025-01-06T02:57:32Z)
• Keep It Simple: Towards Accurate Vulnerability Detection for Large Code Graphs [6.236203127696138]
  本稿では,階層グラフの洗練と文脈対応グラフ表現学習を具現化した新たな脆弱性検出手法であるANGLEを提案する。 本手法は, 精度とF1スコアの点で, 他のいくつかのベースラインを著しく上回っている。 大きなコードグラフでは、ANGLEは最先端のAMPLEに比べて34.27%-161.93%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-12-13T14:27:51Z)
• Core Knowledge Learning Framework for Graph Adaptation and Scalability Learning [7.239264041183283]
  グラフ分類は、多様な予測タスクへの適応、複数のターゲットドメインでのトレーニング、小さなサンプル予測シナリオの処理など、いくつかのハードルに直面している。 本手法は,様々なタスクからの洞察を取り入れることで,グラフ分類における適応性,拡張性,一般化性を向上させることを目的とする。 実験の結果, 最先端手法と比較して, 提案手法による性能向上が顕著であった。
  論文  参考訳（メタデータ） (2024-07-02T02:16:43Z)
• Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
  言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。 本稿では,課題計画のためのグラフ学習に基づく手法について検討する。 我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
  論文  参考訳（メタデータ） (2024-05-29T14:26:24Z)
• Dynamic Graph Unlearning: A General and Efficient Post-Processing Method via Gradient Transformation [24.20087360102464]
  動的グラフアンラーニングを初めて研究し、DGNNアンラーニングを実装するための効率的で効率的で汎用的で後処理手法を提案する。 提案手法は,将来的な未学習要求を処理できる可能性があり,性能が大幅に向上する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward Comprehensive Benchmarks [60.82579717007963]
  本稿では,グラフコントラスト学習(GCL)手法の有効性,一貫性,全体的な能力をより正確に評価するために,拡張された評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-24T01:47:56Z)
• 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)

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。