IDEA：面向图神经网络的灵活认证式忘卸框架
机器学习
2024-07-30 v1
摘要
图神经网络（GNN）在越来越多的应用中得到部署。然而，用于训练的图数据可能包含涉及个人的敏感信息。一旦训练完成，GNN通常会在其可学习参数中编码此类信息。因此，在部署并暴露给潜在攻击者时，可能发生隐私泄露。面对这一威胁，针对图神经网络的机器忘卸已成为一种新兴技术，旨在从训练好的GNN中移除某些个人信息。在这些技术中，认证式忘卸尤为突出，因为它提供了信息移除有效性的坚实理论保证。然而，大多数现有的认证式忘卸方法仅设计用于处理节点和边缘忘卸请求。同时，这些方法通常针对特定GNN的设计或专门设计的训练目标进行调优。这显著危及了它们的灵活性。本文提出了一个原则性框架，命名为IDEA，以实现图神经网络的灵活且认证式忘卸。具体而言，我们首先在图上实例化四种类型的忘卸请求，然后提出一种近似方法，以灵活方式处理这些忘卸请求。我们进一步提供了该方法有效性的理论保证作为认证。与现有方法不同，IDEA不针对任何特定GNN或优化目标设计认证式忘卸，因此可以轻易泛化。大量在真实数据集上的实验表明，IDEA在多个关键方面均优于现有方法。
引用
@article{arxiv.2407.19398,
title = {IDEA: A Flexible Framework of Certified Unlearning for Graph Neural Networks},
author = {Yushun Dong and Binchi Zhang and Zhenyu Lei and Na Zou and Jundong Li},
journal= {arXiv preprint arXiv:2407.19398},
year = {2024}
}