遗忘与解释:GNN反学习的透明验证
机器学习
2025-12-09 v1 人工智能
摘要
图神经网络(GNN)越来越多地用于对图结构数据中的复杂模式进行建模。然而,使它们能够“遗忘”指定信息仍然具有挑战性,尤其是在GDPR等隐私法规下。现有的反学习方法主要优化效率和可扩展性,但提供的透明度有限,而且GNN的黑盒性质使得难以验证遗忘是否真正发生。我们提出了一种基于可解释性的GNN反学习验证器,它在删除前后对模型进行快照,使用归因偏移和局部结构变化(例如,图编辑距离)作为透明证据。该验证器使用五个可解释性指标:残差归因、热力图偏移、可解释性分数偏差、图编辑距离和诊断图规则偏移。我们在五个基准(Cora、Citeseer、Pubmed、Coauthor-CS、Coauthor-Physics)上评估了两种骨干网络(GCN、GAT)和四种反学习策略(Retrain、GraphEditor、GNNDelete、IDEA)。结果表明,Retrain和GNNDelete实现了近乎完全的遗忘,GraphEditor提供了部分擦除,而IDEA留下了残余信号。这些解释差异提供了遗忘的主要、人类可读的证据;我们还报告了成员推断ROC-AUC作为补充的、图范围的隐私信号。
引用
@article{arxiv.2512.07450,
title = {Forget and Explain: Transparent Verification of GNN Unlearning},
author = {Imran Ahsan and Hyunwook Yu and Jinsung Kim and Mucheol Kim},
journal= {arXiv preprint arXiv:2512.07450},
year = {2025}
}
备注
To appear in WSDM 2026 (ACM International Conference on Web Search and Data Mining). Code is available at https://github.com/ImranAhsan23/F-E