归纳式图遗忘
机器学习
2023-04-10 v2 密码学与安全
社会与信息网络
摘要
作为在机器学习中实现“被遗忘权”的一种方式，\textit{机器遗忘}旨在从训练模型中完全移除待删除样本的贡献与信息，同时不影响其他样本的贡献。近来已提出许多机器遗忘框架，其中多数聚焦于图像与文本数据。为将机器遗忘扩展至图数据，已有\textit{GraphEraser}被提出。然而一个关键问题是，\textit{GraphEraser}专为转导式图设定设计，其中图是静态的且测试节点的属性与边在训练时可见。它不适用于归纳式设定，其中图可能是动态的且测试图信息事先不可见。此类归纳能力对于具有演化图（如社交媒体与交易网络）的生产级机器学习系统至关重要。为填补这一空白，我们提出\underline{{\bf G}}\underline{{\bf U}}ided \underline{{\bf I}}n\underline{{\bf D}}uctiv\underline{{\bf E}}图遗忘框架(GUIDE)。GUIDE由三个组件构成：带公平与平衡的引导式图划分、高效子图修复以及基于相似度的聚合。我们通过实验在多个归纳式基准与演化交易图上评估了我们的方法。总体而言，因其较低的图划分代价（无论在计算还是结构信息上），GUIDE可高效实现于归纳式图学习任务。代码将发布于：https://github.com/Happy2Git/GUIDE。
引用
@article{arxiv.2304.03093,
title = {Inductive Graph Unlearning},
author = {Cheng-Long Wang and Mengdi Huai and Di Wang},
journal= {arXiv preprint arXiv:2304.03093},
year = {2023}
}
备注
To appear in the 32nd USENIX Security Symposium, August 2023, Anaheim, CA, USA