論文の概要: Spatial Entropy based Partitioning for Spatiotemporal Graph Unlearning

• arxiv url: http://arxiv.org/abs/2608.29360v1
• Date: Sat, 29 Aug 2026 16:49:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.942942
• Title: Spatial Entropy based Partitioning for Spatiotemporal Graph Unlearning
• Title（参考訳）: 時空間グラフアンラーニングのための空間エントロピーに基づく分割
• Abstract要約: IsleNetはバランスの取れた局所コヒーレントなサブグラフを作成し、それらを軽量な仮想エッジで再接続する。 実世界のベンチマークでの実験では、IsleNetは最大94%の完全誘導精度を実現し、未学習時間を最大1桁まで削減している。
• 参考スコア（独自算出の注目度）: 13.722651730453983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatiotemporal graphs underpin applications such as traffic forecasting, weather forecasting, and healthcare monitoring. Privacy regulations such as the GDPR and the CCPA require the complete removal of unauthorized data from trained models, but achieving this on a spatiotemporal graph is difficult: because information propagates globally through both spatial and temporal message passing, fully erasing a node's influence forces costly full-graph retraining. ST-graph unlearning requires both exactness and efficiency. We propose IsleNet, which uses spatial-entropy-guided partitioning to create balanced, locally coherent subgraphs and reconnects them with lightweight virtual edges. Upon an unlearning request, only the affected subgraph encoder and virtual-edge layer are retrained, ensuring exact removal with low cost. Experiments on four real-world benchmarks show that IsleNet attains up to 94% of full-graph accuracy while reducing unlearning time by up to an order of magnitude. Our code is publicly available at https://github.com/wenlu-lab/STGraphUnlearning.
• Abstract（参考訳）: 時空間グラフは、交通予報、天気予報、医療監視といった応用の基盤となっている。 GDPRやCCPAのようなプライバシー規制は、訓練されたモデルから不正なデータを完全削除する必要があるが、これを時空間グラフで達成することは困難である。 STグラフアンラーニングは正確性と効率の両方を必要とする。 空間エントロピー誘導型パーティショニングを用いて、バランスの取れた局所コヒーレントなサブグラフを作成し、それらを軽量な仮想エッジで再接続するIsleNetを提案する。 未学習の要求により、影響を受けるサブグラフエンコーダと仮想エッジ層のみが再トレーニングされ、低コストで正確な除去が保証される。 4つの実世界のベンチマーク実験により、IsleNetは最大94%のフルグラフ精度を実現し、未学習時間を最大1桁まで短縮した。 私たちのコードはhttps://github.com/wenlu-lab/STGraphUnlearning.comで公開されています。

関連論文リスト

• Unlearning on Spatio-Temporal Graphs through Subgraph Virtual Edge Reconstruction [16.96032812958633]
  CallosumNetは、コーパス構造に生物学的にインスパイアされたグラフアンラーニングフレームワークである。 生物学的にインスパイアされたエッジを使ってサブグラフを再構築し、仮想的時間的サブグラフを復元する。 精度は金モデルに非常に近い。
  論文  参考訳（メタデータ） (2026-08-29T17:01:44Z)
• Spatio-Temporal Graph Unlearning [11.249016471516398]
  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。
  論文  参考訳（メタデータ） (2025-11-12T15:17:16Z)
• ST-FiT: Inductive Spatial-Temporal Forecasting with Limited Training Data [59.78770412981611]
  現実世界のアプリケーションでは、ほとんどのノードはトレーニング中に利用可能な時間データを持っていないかもしれない。 この問題に対処するために,ST-FiTというフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-14T17:51:29Z)
• Pre-Training Identification of Graph Winning Tickets in Adaptive Spatial-Temporal Graph Neural Networks [5.514795777097036]
  Lottery Ticket hypothesis (LTH) から派生した Graph Winning Ticket (GWT) の概念を導入する。 事前決定された恒星トポロジーをGWTとしてトレーニング前に採用することにより、エッジの削減と効率的な情報伝達のバランスをとることができる。 提案手法は,48GBのメモリを備えた単一A6000を用いて,最大規模の時空間データセット上でASTGNNのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2024-06-12T14:53:23Z)
• 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)
• Diving into Unified Data-Model Sparsity for Class-Imbalanced Graph Representation Learning [30.23894624193583]
  非ユークリッドグラフデータに基づくグラフニューラルネットワーク(GNN)トレーニングは、しばしば比較的高い時間コストに直面する。 グラフ決定(Graph Decantation, GraphDec)と呼ばれる統一されたデータモデル動的疎結合フレームワークを開発し, 大規模なクラス不均衡グラフデータのトレーニングによる課題に対処する。
  論文  参考訳（メタデータ） (2022-10-01T01:47:00Z)
• Spatial-Temporal Adaptive Graph Convolution with Attention Network for Traffic Forecasting [4.1700160312787125]
  交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。 まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。 第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
  論文  参考訳（メタデータ） (2022-06-07T09:08:35Z)
• 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)
• Distributed Training of Graph Convolutional Networks using Subgraph Approximation [72.89940126490715]
  本稿では,グラフの複数の分割にまたがる失われる情報をサブグラフ近似スキームで緩和するトレーニング戦略を提案する。 サブグラフ近似アプローチは、分散トレーニングシステムが単一マシン精度で収束するのに役立つ。
  論文  参考訳（メタデータ） (2020-12-09T09:23:49Z)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)

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。