論文の概要: Unlearning on Spatio-Temporal Graphs through Subgraph Virtual Edge Reconstruction

• arxiv url: http://arxiv.org/abs/2608.29369v1
• Date: Sat, 29 Aug 2026 17:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.945151
• Title: Unlearning on Spatio-Temporal Graphs through Subgraph Virtual Edge Reconstruction
• Title（参考訳）: グラフ仮想エッジ再構成による時空間グラフの学習
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.96032812958633
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatio-temporal graphs are widely used in modeling complex dynamic processes such as temporal 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. To address this, we propose CallosumNet, a spatio-temporal graph unlearning framework biologically inspired by the corpus callosum structure. CallosumNet makes two key technical contributions: (1) it reconstructs subgraphs using biologically-inspired virtual edges; and (2) it restores interlinked spatio-temporal dependencies among subgraphs via a lightweight meta-graph integration layer. Empirical results on four diverse real-world datasets show that CallosumNet achieves complete unlearning while maintaining accuracy very close to the gold model. The code is publicly available at https://github.com/wenlu-lab/STGraphUnlearning.
• Abstract（参考訳）: 時空間グラフは、時間的予測、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トレーニング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。 そこで本研究では,コーパス・カロサム構造にインスパイアされた時空間グラフアンラーニングフレームワークであるCallosumNetを提案する。 CallosumNetは,(1)生物学的にインスパイアされた仮想エッジを用いてサブグラフを再構築し,(2)軽量なメタグラフ統合層を通じてサブグラフ間の時間的相互依存関係を復元する。 4つの多様な実世界のデータセットに対する実証的な結果から、CallosumNetはゴールドモデルに非常に近い精度を維持しながら、完全な未学習を実現していることがわかる。 コードはhttps://github.com/wenlu-lab/STGraphUnlearning.comで公開されている。

関連論文リスト

• Spatial Entropy based Partitioning for Spatiotemporal Graph Unlearning [13.722651730453983]
  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。
  論文  参考訳（メタデータ） (2026-08-29T16:49:00Z)
• 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)
• Adaptive Sparsified Graph Learning Framework for Vessel Behavior Anomalies [3.3711670942444014]
  グラフニューラルネットワークは、正確なインタラクションを学習するための強力なツールとして登場した。 本稿では,エッジをタイムスタンプノードとしてモデル化した革新的なグラフ表現を提案する。 この設定は、グラフの間隔を保ちながら空間的相互作用をキャプチャするマルチシップグラフを構築するために拡張される。
  論文  参考訳（メタデータ） (2025-02-20T02:01:40Z)
• 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)
• 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)
• Recurrent Temporal Revision Graph Networks [17.400798915108957]
  グラフネットワークの重要なビルディングブロックである隣のアグリゲーションは現在、静的グラフから直接拡張されている。 本稿では,ノードに隠された状態を持つ再帰的ニューラルネットワークを用いた時間的隣接集約のための新しいフレームワークを提案する。 提案するフレームワークの優れた理論的表現力と,実世界のアプリケーションにおける最先端性能を実証する。
  論文  参考訳（メタデータ） (2023-09-22T08:09:55Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• 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 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。