可扩展且可认证的图遗忘：克服近似误差障碍

鉴于图神经网络（GNN）在涉及敏感用户数据的应用中被广泛采用，图遗忘已成为确保隐私保护的关键研究领域。在现有研究中，可认证的图遗忘因提供稳健的隐私保证而脱颖而出。然而，当前的可认证图遗忘方法对于大规模图并不实用，因为它们需要为每个遗忘请求重新计算代价高昂的图传播。尽管已开发出许多可扩展技术来加速GNN的图传播，但由于这些可扩展方法会在节点嵌入中引入近似误差，它们与可认证图遗忘的整合仍不确定。相比之下，可认证图遗忘要求精确节点嵌入上的模型误差有界，以维持其可认证保证。为应对这一挑战，我们提出了ScaleGUN，这是首个将可认证图遗忘扩展到十亿边图的方法。ScaleGUN将近似图传播技术整合到可认证图遗忘中，为三种遗忘场景提供可认证保证：节点特征遗忘、边遗忘和节点遗忘。在真实世界数据集上的大量实验证明了ScaleGUN的效率和遗忘效果。值得注意的是，对于十亿边图ogbn-papers100M上的5000条随机边移除请求，ScaleGUN在20秒内完成了$(\epsilon,\delta)=(1,10^{-4})$的可认证遗忘——其中仅需5秒用于更新节点嵌入——相比之下，重新训练需要1.91小时，重新传播需要1.89小时。我们的代码可在https://github.com/luyi256/ScaleGUN获取。