动态图无学习：通过梯度转换实现通用高效后处理方法
机器学习
2025-02-04 v2
摘要
动态图神经网络 (DGNN) 已涌现并在 various web 应用中得到广泛部署，例如 Reddit，用于向用户提供服务（例如个性化内容分发），以利用其从复杂动态用户交互数据中学习的卓越能力。尽管从高质量服务中受益，但用户提出了隐私 concerns，例如滥用个人数据（例如动态用户-用户/项目交互）用于模型训练，需要 DGNN 执行“遗忘”其数据以满足 AI 治理法律（例如 GDPR 中的“被遗忘权”）。然而，当前的静态图无学习研究无法 \textit{无学习动态图元素}，并表现出局限性，例如模型特定设计或依赖于预处理，这使其在动态图无学习中难以实用。为此，我们首次研究动态图无学习，并提出一种有效、高效、通用且基于后处理的方法来实现 DGNN 无学习。具体而言，我们首先在连续时间动态图的上下文中对动态图无学习进行形式化，然后提出一种称为梯度转换的方法，直接将无学习请求映射到所需的参数更新。在六个真实世界数据集和最先进的 DGNN 背bone上的全面评估表明其有效性（例如有限的性能下降或在效用方面的显著提升）和效率（例如 7.23 倍加速）优势。此外，我们的方法有望处理未来无学习请求，以获得显著的性能提升（例如 32.59 倍加速）。
引用
@article{arxiv.2405.14407,
title = {Dynamic Graph Unlearning: A General and Efficient Post-Processing Method via Gradient Transformation},
author = {He Zhang and Bang Wu and Xiangwen Yang and Xingliang Yuan and Xiaoning Liu and Xun Yi},
journal= {arXiv preprint arXiv:2405.14407},
year = {2025}
}
备注
Accepted by the 2025 ACM Web Conference (WWW)