图遗忘：图神经网络中的高效节点移除
机器学习
2025-09-08 v1 人工智能
摘要
随着对隐私攻击和潜在敏感信息泄露的日益担忧，研究人员积极探索了在图神经网络 (GNN) 模型中高效移除敏感训练数据和降低隐私风险的方法。节点遗忘已成为一种有前途的技术，通过从 GNN 模型中高效移除特定训练节点信息来保护敏感节点的隐私。然而，现有的节点遗忘方法要么对 GNN 结构施加限制，要么未能有效利用图拓扑进行节点遗忘。一些方法甚至破坏了图的拓扑结构，使得难以实现令人满意的性能-复杂度权衡。为了解决这些问题并在 GNN 中实现训练节点移除的高效遗忘，我们提出了三种新颖的节点遗忘方法：基于类别的标签替换、拓扑引导的邻居平均后验概率和类别一致的邻居节点过滤。在这些方法中，拓扑引导的邻居平均后验概率和类别一致的邻居节点过滤有效地利用了图的拓扑特征，从而实现了更有效的节点遗忘。为了验证我们提出的方法在节点遗忘中的优越性，我们在三个基准数据集上进行了实验。评估标准包括模型效用、遗忘效用和遗忘效率。实验结果证明了所提出方法的效用和效率，并说明了它们与 SOTA 节点遗忘方法相比的优越性。总体而言，所提出的方法高效地移除了敏感训练节点并保护了 GNN 中敏感节点的隐私信息。这些发现有助于增强 GNN 模型的隐私和安全性，并为节点遗忘领域提供了有价值的见解。
引用
@article{arxiv.2509.04785,
title = {Graph Unlearning: Efficient Node Removal in Graph Neural Networks},
author = {Faqian Guan and Tianqing Zhu and Zhoutian Wang and Wei Ren and Wanlei Zhou},
journal= {arXiv preprint arXiv:2509.04785},
year = {2025}
}