带有子图解耦措施的图学习撤销系统

《ACM Transactions on Autonomous and Adaptive Systems》：Graph Unlearning System with Subgraph De-Isolation Measures

图神经网络去学习面临子图隔离导致信息丢失和模型性能下降的问题。本文提出NIGEraser框架，通过非隔离图分割策略实现关键节点多子图覆盖，结合注意力机制聚合子模型，有效保留全局图结构特征，在四个真实数据集上验证其信息损失更少、模型效用优化更显著。

　　

摘要

图去学习系统为安全地从图神经网络（GNNs）中删除特定数据点及其相关影响提供了一种有前景的解决方案。然而，现有方法通常通过将图数据划分为孤立的子图来将问题视为多个相互独立的子问题，这忽略了子图之间的固有图结构信息。这导致了有偏的表示，阻碍了对数据中关键连接和关系的准确建模，从而由于信息丢失而显著降低了模型的实用性。为了解决这些问题，我们提出了一个名为NIGEraser的创新框架（Non-Isolated Graph Eraser），该框架将去学习任务分解为多个非孤立的、相互交叉的子问题。具体而言，NIGEraser提出了一种新的非孤立图划分策略，通过在多个相邻子图中复制关键节点来减轻隔离现象，并采用基于注意力的子模型聚合技术，利用全局图结构信息。通过这种设计，可以探索更广泛的自然邻域，捕获并有效利用在划分过程中子图之间丢失的关键图结构特征，从而减少任务分解和聚合过程中的信息丢失。此外，还证明了图去学习方法可以克服传统孤立划分策略的局限性，为时间消耗提供了有效的理论约束。在四个真实世界的图结构数据集上的广泛实验表明，NIGEraser始终优于现有的去学习方法，在确保高效和确定性数据删除的同时，提供了更高的模型实用性。