认证签名图 unlearning
机器学习
2025-11-19 v1 人工智能
摘要
签名图通过正负边缘建模复杂关系，具有广泛的实际应用。鉴于其数据的敏感性，针对性删除机制对于隐私保护至关重要。虽然图 unlearning 能够从图神经网络（GNN）中移除特定数据影响，但现有方法是为传统GNN设计的，忽略了签名图的独特异构特性。当应用于签名图神经网络（SGNN）时，这些方法会丢失关键符号信息，导致模型实用性和 unlearning 有效性下降。为此，我们提出了认证签名图 unlearning（CSGU），该方法在提供可证明隐私保障的同时，保留了SGNN所基于的社会学原理。CSGU采用三阶段方法：（1）通过三角形结构高效识别最小受影响邻域；（2）应用社会学理论对节点重要性进行量化，以实现最优隐私预算分配；（3）执行重要性加权参数更新，以实现最小实用性降低的认证修改。大量实验表明，CSGU 在 SGNN 上在实用性保存和 unlearning 有效性方面均优于现有方法。
引用
@article{arxiv.2511.14168,
title = {Certified Signed Graph Unlearning},
author = {Junpeng Zhao and Lin Li and Kaixi Hu and Kaize Shi and Jingling Yuan},
journal= {arXiv preprint arXiv:2511.14168},
year = {2025}
}