論文の概要: Lethe: Link Inference Attacks For Evaluation of Edge Unlearning Methods

• arxiv url: http://arxiv.org/abs/2610.21869v1
• Date: Thu, 15 Oct 2026 13:41:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.092145
• Title: Lethe: Link Inference Attacks For Evaluation of Edge Unlearning Methods
• Title（参考訳）: Lethe:エッジアンラーニング手法の評価のためのリンク推論攻撃
• Abstract要約: Graph Unlearningは、新しいトレーニングをすることなく、グラフニューラルネットワークから特定のトレーニングデータの影響を取り除くことを目的としている。 機能豊富なデータセットに対する独立した評価以外に、エッジアンラーニングのための専用のベンチマークは存在しない。 私たちは15のメソッドと8つのデータセットを備えたEdge Unlearningの最初の包括的なベンチマークであるLetheを紹介した。
• 参考スコア（独自算出の注目度）: 20.656285821667044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Unlearning (GU) aims to remove the influence of specific training data from a Graph Neural Network without retraining anew. While most methods address removal of nodes and features, Edge Unlearning (EU), aiming at forgetting edges, has recently attracted dedicated attention as a standalone problem due to the hardness of completely removing the impact of an edge in the model. Despite this, no dedicated benchmark for EU exists besides isolated evaluations on feature-rich datasets such as Cora and Citeseer where GNNs exploit node features rather than graph structure. As such, we show two systematic limitations in existing evaluations: dedicated EU methods can be slower than retraining anew, and accuracy metrics are uninformative due to the negligible impact of edge removal. To address this gap, we introduce Lethe, the first comprehensive benchmark for Edge Unlearning, featuring 15 methods and 8 datasets. Our benchmark emphasizes large graphs, introduces evaluation tasks of varying difficulty, and proposes empirical measures based on link inference attacks rather than proxy accuracy metrics. We provide a comprehensive empirical analysis, demonstrate the shortcomings of current evaluations, and release Lethe as a reproducible, extensible benchmark.
• Abstract（参考訳）: Graph Unlearning(GU)は、グラフニューラルネットワークから特定のトレーニングデータの影響を、新たにトレーニングすることなく取り除くことを目的としている。 ほとんどのメソッドはノードと機能の削除に対処するが、エッジを忘れることを目的としたEdge Unlearning(EU)は、最近、エッジの影響を完全に取り除くのが難しいため、独立した問題として注目されている。 それにもかかわらず、GNNがグラフ構造ではなくノード機能を利用するCoraやCiteseerといった、機能豊富なデータセットに関する独立した評価以外に、EU専用のベンチマークは存在しない。 このように、既存の評価では2つの体系的な制限が示される: 専用のEUメソッドは、新しいトレーニングよりも遅く、精度の指標は、エッジ除去の無視的な影響のため、非形式的である。 このギャップに対処するため、Edge Unlearningの最初の包括的なベンチマークであるLetheを紹介した。 提案するベンチマークでは,大きなグラフを重視し,様々な難易度の評価タスクを導入し,プロキシ精度の指標ではなくリンク推論攻撃に基づく経験的尺度を提案する。 本稿では,現在の評価の欠点を実証し,再現性のある拡張可能なベンチマークとしてLetheをリリースする。

関連論文リスト

• Unlearning Inversion Attacks for Graph Neural Networks [37.7189834578513]
  未学習のGNNへのブラックボックスアクセスと部分グラフ知識のみを考慮すれば、敵は削除されたエッジを再構築できるのだろうか? 我々は、未学習エッジと保持エッジの確率相似性しきい値の変化と、未学習エッジの特定が困難である2つの主要な課題を特定し、TrendAttackでそれらに対処する。 実世界の4つのデータセットの実験では、TrendAttackが最先端のGNNメンバシップ推論ベースラインを大幅に上回っており、現在のグラフアンラーニングメソッドで重要なプライバシの脆弱性が明らかにされている。
  論文  参考訳（メタデータ） (2025-06-01T03:23:04Z)
• Rethinking Metrics and Benchmarks of Video Anomaly Detection [58.37571339811799]
  ビデオ異常検出(VAD)は、期待から外れた異常を検出することを目的としている。 既存のVADメトリクスは、単一のアノテーションバイアスの影響を受けます。 既存のベンチマークには、完全に/弱い教師付きアルゴリズムのシーンオーバーフィットを評価する能力がない。
  論文  参考訳（メタデータ） (2025-05-25T08:09:42Z)
• Unlearning Isn't Deletion: Investigating Reversibility of Machine Unlearning in LLMs [38.837810490068556]
  大規模言語モデル(LLM)におけるアンラーニングは、指定されたデータを削除することを目的としているが、その効果は通常、正確性や複雑度のようなタスクレベルのメトリクスで評価される。 最小限の微調整によって元の動作が容易に復元される間、モデルは忘れることができることを実証する。 この表現可能性の現象は、情報は単に抑圧されているだけであり、真に消去されていないことを示唆している。
  論文  参考訳（メタデータ） (2025-05-22T16:02:10Z)
• Redefining Machine Unlearning: A Conformal Prediction-Motivated Approach [11.609354498110358]
  機械学習は、訓練されたモデルから特定のデータの影響を取り除こうとする。 本稿では,UA と MIA にまたがる誤分類データには,予測セットに基礎的真理ラベルがまだ含まれていないことを明らかにする。 本稿では,記憶品質をより確実に評価する共形予測に着想を得た2つの新しい指標を提案する。
  論文  参考訳（メタデータ） (2025-01-31T18:58:43Z)
• Why Does Dropping Edges Usually Outperform Adding Edges in Graph Contrastive Learning? [54.44813218411879]
  グラフがネットワークにどのように適合するかを定量化するために、新しいメトリック、すなわちエラー通過率(EPR)を導入する。 理論的な結論とポジティブ・インセンティブ雑音のアイデアに触発されて、我々は新しいGCLアルゴリズム、エラー・パッシングに基づくグラフコントラスト学習(EPAGCL)を提案する。 EPRから得られる重みに基づいてエッジの追加とドロップによりビューを生成する。
  論文  参考訳（メタデータ） (2024-12-11T06:31:06Z)
• Towards Effective Evaluations and Comparisons for LLM Unlearning Methods [97.2995389188179]
  本稿では,大規模言語モデルにおける機械学習評価の精度向上を図る。 評価指標の堅牢性と、競合する目標間のトレードオフという、2つの重要な課題に対処します。
  論文  参考訳（メタデータ） (2024-06-13T14:41:00Z)
• An Information Theoretic Evaluation Metric For Strong Unlearning [20.143627174765985]
  情報理論にインスパイアされた新しいホワイトボックス計量であるIDI(Information difference Index)を導入する。 IDIは、これらの特徴と忘れるべきラベルの相互情報を測定することにより、中間特徴の保持情報を定量化する。 我々の実験は、IDIが様々なデータセットやアーキテクチャをまたいだアンラーニングの度合いを効果的に測定できることを実証した。
  論文  参考訳（メタデータ） (2024-05-28T06:57:01Z)
• 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)
• Unlink to Unlearn: Simplifying Edge Unlearning in GNNs [24.987140675476464]
  グラフニューラルネットワーク(GNN)におけるアンラーニングは、アカデミックにおける顕著な研究フロンティアとして現れている。 我々の研究は、エッジ・アンラーニング(エッジ・アンラーニング)に焦点を当てている。 グラフ構造から左端を解き放つことによって、未学習を容易にする新しい方法であるtextbfUnlink to Unlearn を開発した。
  論文  参考訳（メタデータ） (2024-02-16T13:58:23Z)
• Revisiting Evaluation Metrics for Semantic Segmentation: Optimization and Evaluation of Fine-grained Intersection over Union [113.20223082664681]
  そこで本研究では,mIoUsの微細化と,それに対応する最悪の指標を提案する。 これらのきめ細かいメトリクスは、大きなオブジェクトに対するバイアスの低減、よりリッチな統計情報、モデルとデータセット監査に関する貴重な洞察を提供する。 ベンチマークでは,1つの測定値に基づかないことの必要性を強調し,微細なmIoUsが大きな物体への偏りを減少させることを確認した。
  論文  参考訳（メタデータ） (2023-10-30T03:45:15Z)

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。