論文の概要: Stable Multimodal Graph Unlearning via Feature-Dimension Aware Quantile Selection

• arxiv url: http://arxiv.org/abs/2605.03303v1
• Date: Tue, 05 May 2026 02:44:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.735278
• Title: Stable Multimodal Graph Unlearning via Feature-Dimension Aware Quantile Selection
• Title（参考訳）: 特徴量認識による安定なマルチモーダルグラフの学習
• Authors: Jingjing Zhou, Yongshuai Yang, Qing Qing, Ziqi Xu, Xikun Zhang, Renqiang Luo, Ivan Lee, Feng Xia,
• Abstract要約: マルチモーダルグラフアンラーニングのための特徴量対応量子フレームワークを提案する。 FDQは高次元の入力射影層を適応的に識別し、より保守的なFDQ誘導量子しきい値を適用する。 その結果、FDQは、メンバーシップ推論攻撃を効果的に忘れることなく、高い実用性を維持しつつ一貫して達成できることが判明した。
• 参考スコア（独自算出の注目度）: 12.171360112453405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph unlearning remains a critical technique for supporting privacy-preserving and sustainable multimodal graph learning. However, we observe that existing unlearning strategies tend to apply uniform parameter selection and editing across all graph neural network (GNN) layers, which is especially harmful for multimodal graphs where high-dimensional input projections encode dominant cross-modal knowledge. As a result, over-editing these sensitive layers often leads to catastrophic utility degradation after forgetting, undermining both stable learning and effective privacy protection. To address this gap, we propose FDQ, a Feature-Dimension Aware Quantile framework for multimodal graph unlearning. FDQ adaptively identifies high-dimensional input projection layers and applies more conservative, FDQ-guided quantile thresholds when constructing suppression sets, while keeping the underlying importance estimation mechanism unchanged. FDQ is seamlessly integrated with diagonal sensitivity-based parameter importance analysis to enable efficient node and edge unlearning under general forget requests. Through extensive experiments on Ele-Fashion and Goodreads-NC, we demonstrate that FDQ consistently achieves strong utility preservation while maintaining effective forgetting against membership inference attacks. Overall, FDQ offers a principled and robust solution for privacy-aware unlearning in high-dimensional multimodal graph systems.
• Abstract（参考訳）: グラフアンラーニングは、プライバシ保護と持続可能なマルチモーダルグラフ学習をサポートするための重要なテクニックである。 しかし,既存のアンラーニング手法では,全てのグラフニューラルネットワーク(GNN)層に一様パラメータの選択と編集を適用する傾向があり,特に高次元の入力射影が支配的なクロスモーダル知識を符号化するマルチモーダルグラフにとって有害である。 その結果、これらのセンシティブなレイヤを過度に編集すると、忘れた後に壊滅的なユーティリティが劣化し、安定した学習と効果的なプライバシ保護の両方を損なう。 このギャップに対処するため,マルチモーダルグラフアンラーニングのための特徴量認識量子化フレームワークFDQを提案する。 FDQは高次元の入力射影層を適応的に同定し、抑制セットを構成する際により保守的なFDQ誘導量子しきい値を適用する。 FDQは、対角感度に基づくパラメータ重要度分析とシームレスに統合され、一般的に忘れられた要求の下で効率的なノードとエッジアンラーニングを可能にする。 Ele-FashionとGoodreads-NCに関する広範な実験を通じて、FDQは、メンバーシップ推論攻撃に対する効果的な忘れ込みを維持しながら、一貫して強力なユーティリティ保存を実現することを実証した。 全体として、FDQは高次元マルチモーダルグラフシステムにおいて、プライバシを意識したアンラーニングのための原則的で堅牢なソリューションを提供する。

関連論文リスト

• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Multi-View Graph Feature Propagation for Privacy Preservation and Feature Sparsity [0.45835414225547183]
  グラフニューラルネットワーク(GNN)は、関係データよりもノード分類タスクにおいて顕著な成功を収めている。 特徴行列は非常にスパースで、センシティブな情報を含んでいるため、パフォーマンスが低下し、プライバシーリスクが増大する。 本稿では,プライバシ保護を推進しつつ,特徴空間におけるノード分類を強化した新しい多視点特徴伝搬フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-13T12:42:00Z)
• MS-IMAP -- A Multi-Scale Graph Embedding Approach for Interpretable Manifold Learning [1.8124328823188354]
  本稿では,スペクトルグラフウェーブレットに基づくマルチスケールグラフネットワークの埋め込みフレームワークを提案する。 提案した埋め込みの重要な利点は、埋め込みと入力特徴空間の対応性を確立する能力である。 下流タスクにおける複数の公開データセットに対するグラフ埋め込みフレームワークの有効性を検証する。
  論文  参考訳（メタデータ） (2024-06-04T20:48:33Z)
• Privacy-preserving design of graph neural networks with applications to vertical federated learning [56.74455367682945]
  VESPERと呼ばれるエンドツーエンドのグラフ表現学習フレームワークを提案する。 VESPERは、適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2023-10-31T15:34:59Z)
• Non-Separable Multi-Dimensional Network Flows for Visual Computing [62.50191141358778]
  本研究では,非分離型多次元ネットワークフローに対する新しい定式化法を提案する。 フローは次元ごとに定義されるので、最大化フローは自動的に最適な特徴次元を選択する。 概念実証として,マルチオブジェクト追跡問題にフォーマリズムを適用し,ノイズに対するロバスト性の観点からMOT16ベンチマークのスカラー定式化よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-15T13:21:44Z)
• 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)
• A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
  自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。 Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。 我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
  論文  参考訳（メタデータ） (2022-10-27T13:24:08Z)
• Anti-Symmetric DGN: a stable architecture for Deep Graph Networks [12.71306369339218]
  安定かつ非散逸的なDGN設計のためのフレームワークであるアンチサイメトリディープグラフネットワーク(A-DGN)を提案する。 A-DGNは性能向上に寄与し、数十のレイヤが使用されている場合でも効果的に学習できる。
  論文  参考訳（メタデータ） (2022-10-18T12:04:55Z)
• ROD: Reception-aware Online Distillation for Sparse Graphs [23.55530524584572]
  疎グラフ学習のための新しいレセプション対応オンライン知識蒸留手法 ROD を提案する。 RODのための3つの監視信号: マルチスケールの受信対応グラフ知識、タスクベース監視、豊富な蒸留知識。 我々のアプローチは9つのデータセットと様々なグラフベースのタスクで広く評価されている。
  論文  参考訳（メタデータ） (2021-07-25T11:55:47Z)
• 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。