断开即遗忘：简化图神经网络中的边遗忘

随着对数据隐私担忧的加剧，图神经网络（GNNs）中的遗忘已成为学术界一个突出的研究前沿。这一概念对于执行“被遗忘权”至关重要，即根据用户请求从训练好的 GNNs 中选择性删除特定数据。我们的研究侧重于边遗忘，这一过程与现实世界应用特别相关。当前最先进的方法如 GNNDelete 可以消除特定边的影响，但 suffers from \textit{过度遗忘}，这意味着遗忘过程无意中移除了超出需要的过多信息，导致剩余边的性能显著下降。我们的分析确定 GNNDelete 的损失函数是过度遗忘的主要来源，并表明损失函数对于有效的边遗忘可能是多余的。基于这些见解，我们简化了 GNNDelete 以开发\textbf{Unlink to Unlearn} (UtU)，这是一种仅通过将遗忘边从图结构中断开来促进遗忘的新方法。我们的大量实验表明，UtU 提供了与重新训练模型相当的隐私保护，同时保持了下游任务的高精度，保留了重新训练模型 97.3\% 的隐私保护能力和 99.8\% 的链接预测精度。同时，UtU 仅需恒定的计算需求，突显了其作为高度轻量级且实用的边遗忘解决方案的优势。