面向可扩展图无学习：基于节点影响最大化的方法

机器无学习作为提升模型鲁棒性和数据隐私的关键技术，在吸引越来越多的注意力，尤其是在盛行的 web 矿业应用中，特别是在活跃的图基场景中。然而，大多数现有的图无学习（GU）方法面临由于 web 规模图元素在模型训练期间复杂相互作用的挑战：(1) 梯度驱动的节点纠缠阻碍了对无学习请求的完整知识移除；(2) web 场景中数十亿级别的图元素不可避免地带来可扩展性问题。为突破上述限制，我们从连接 GU 与常规社会影响最大化的角度开辟了新的视角。为此，我们提出了节点影响最大化（NIM），通过解耦的影响传播模型和细粒度影响函数以可扩展方式实现，以用于识别可能受无学习实体影响的节点。该方法允许独立于 GU 进行离线执行，能够无缝集成到大多数 GU 方法中以提高其无学习性能。基于此，我们引入 Scalable Graph Unlearning（SGU）作为一种新的精调框架，通过实体特定的优化实现对无学习模型的遗忘与推理能力的平衡。广泛的在 14 个数据集上的实验，包括大规模 ogbn-papers100M，都证明了该方法的有效性。具体而言，NIM 提升了大多数 GU 方法的遗忘能力，而 SGU 实现了全面的 SOTA 性能并保持可扩展性。