基于特征维度感知分位数选择的稳定多模态图 unlearning
机器学习
2026-05-06 v1 多媒体
摘要
图 unlearning 仍是支持隐私保护和可持续多模态图学习的关键技术。然而，我们注意到现有 unlearning 策略倾向于在所有图神经网络（GNN）层上应用统一的参数选择和编辑，这对高维输入投影编码主导跨模态知识的多模态图尤其有害。结果是，对这些敏感层进行过度编辑常常导致forget后实用性灾难性下降，削弱了稳定学习和有效隐私保护。为此，我们提出了FDQ，即Feature-Dimension Aware Quantile框架，用于多模态图 unlearning。FDQ自适应地识别高维输入投影层，在构建抑制集时应用更保守的FDQ引导分位数阈值，而保持底层重要性估计机制不变。FDQ seamlessly 集成到基于对角线灵敏度的参数重要性分析中，以支持一般forget请求下的节点和边 unlearning。通过在Ele-Fashion和Goodreads-NC上的大量实验，我们证明FDQ在保持强实用性的同时，有效抵御成员推断攻击。总体而言，FDQ为高维多模态图系统中的隐私感知 unlearning 提供了原则且稳健的解决方案。
关键词
引用
@article{arxiv.2605.03303,
title = {Stable Multimodal Graph Unlearning via Feature-Dimension Aware Quantile Selection},
author = {Jingjing Zhou and Yongshuai Yang and Qing Qing and Ziqi Xu and Xikun Zhang and Renqiang Luo and Ivan Lee and Feng Xia},
journal= {arXiv preprint arXiv:2605.03303},
year = {2026}
}