基于相互进化的有效和通用的图去学习方法
内容提要
该文综述图机器学习中的机器遗忘技术，涵盖GUIDE动态图删除、图神经网络认证卸载、GraphEraser图数据遗忘、ConMU可控遗忘、GraphGuard成员推断检测、MMUL多模态遗忘及EMinS结构投毒等方法，旨在平衡隐私、模型效用与效率。
延伸解读
图机器遗忘的技术路线多样性
文章综述了多种图机器遗忘方法，涵盖动态图删除（GUIDE）、认证卸载、图数据遗忘（GraphEraser）、可控遗忘（ConMU）、成员推断检测（GraphGuard）、多模态遗忘（MMUL）以及结构投毒（EMinS）。这些方法针对不同场景：GUIDE处理动态图，认证卸载保证性能，GraphEraser提升效率，ConMU平衡隐私与效用，GraphGuard无需原始数据，MMUL面向多模态，EMinS则从攻击角度揭示隐私风险。
隐私、效用与效率的权衡
多个方法强调在遗忘过程中平衡隐私、模型效用和效率。例如，ConMU通过三个模块实现可控性，在隐私、准确性和运行效率间取得平衡；GraphEraser相比SISA在取消学习效率和模型效用上均有优势；MMUL在遗忘后能大部分保持原始模型知识。这表明图遗忘并非单一目标，需根据实际需求调整权衡。
评估与攻击视角的补充
GraphGuard利用电离辐射特性数据进行成员推断，无需训练数据即可检测图数据滥用，并通过针对性遗忘减轻影响。EMinS则通过注入干扰噪声使图不可探测，在COLLAB数据集上将GNN准确率从77.33%降至42.47%，揭示了数据隐私的潜在风险。这些工作从评估和攻击角度补充了遗忘技术，提醒读者关注模型安全的全貌。
Q&A
GUIDE框架是什么？它主要用于解决什么问题？
GUIDE是一个适用于动态图的图表征删除框架，用于在归纳图学习任务中高效实现机器遗忘。它由三个组件组成：具有公平性和平衡性的引导图分区、高效的子图修复以及基于相似性的聚合。
GraphEraser与SISA相比有什么优势？
GraphEraser是一种专门针对图数据的机器取消学习框架，包括两种新颖的图分区算法和一种基于学习的聚合方法。与SISA相比，GraphEraser在取消学习效率和模型效用方面都具有较大优势。
ConMU如何实现机器遗忘的可控性？
ConMU通过三个关键模块实现机器遗忘的可控性，平衡了隐私、模型准确性和运行效率之间的权衡。在多个基准数据集上的实验展示了其控制机制的稳健适应性，并优于现有未学习方法。
GraphGuard是如何检测图数据滥用的？
GraphGuard是一种无需训练数据的方法，通过使用具有电离辐射特性的数据进行成员推断，提高成员和非成员数据分布的可区分性，从而在不依赖原始数据的情况下检测并通过有针对性的遗忘来减轻图数据滥用的影响。
MMUL在多模态机器遗忘中关注哪些关键性质？
MMUL关注三个关键性质：（a）解耦模态，（b）保留单模态知识，（c）保留多模态知识。实验证明，MMUL在区分已删除和剩余数据方面优于现有基线方法，并且在遗忘后能够大部分保持原始模型的预先存在的知识。
EMinS模块的作用是什么？它在COLLAB数据集上取得了什么效果？
EMinS（Error-Minimizing Structural Poisoning）模块通过向图中注入干扰噪声，使图形变得不可探测，以解决商业图神经网络模型训练中的潜在数据隐私问题。在COLLAB数据集上，它将准确性从77.33%降低到42.47%。
