图遗忘

机器遗忘是在收到删除请求时，从机器学习（ML）模型中移除某些训练数据影响的过程。尽管从头重新训练ML模型直接且合理，但会带来高计算开销。为解决此问题，图像与文本数据领域已提出若干近似算法，其中SISA是最先进的解决方案。它将训练集随机划分为多个分片，并为每个分片训练一个组成模型。然而，直接将SISA应用于图数据会严重破坏图结构信息，从而损害所得ML模型的效用。在本文中，我们提出GraphEraser，一种专为图数据定制的新型机器遗忘框架。其贡献包括两种新型图划分算法与一种基于学习的聚合方法。我们在五个真实世界图数据集上进行了大量实验，以展示GraphEraser的遗忘效率与模型效用。它实现了2.06$\times$（小数据集）至35.94$\times$（大数据集）的遗忘时间提升。另一方面，GraphEraser实现了高达$62.5\%$更高的F1分数，且我们提出的基于学习的聚合方法实现了高达$112\%$更高的F1分数。\footnote{我们的代码可在\url{https://github.com/MinChen00/Graph-Unlearning}获取。}