以社区为中心的图去学习
原文中文，约500字，阅读约需2分钟。发表于：。本研究解决了现有图去学习框架在去除特定数据对图神经网络影响时存在的结构信息缺失和冗余参数计算问题。提出了一种新颖的图结构映射去学习范式（GSMU）及其基于的社区中心图擦除器（CGE）方法，通过将社区子图映射到节点，实现了节点级去学习操作的重建，显著减少了训练数据和去学习参数的数量。实验表明，CGE在多个数据集上的高效性和性能出色，具有重大应用潜力。
随着数据隐私关注加剧，图神经网络中的遗忘概念成为学术界研究的前沿。研究发现当前方法存在过度遗忘问题，降低了预测准确性。为解决此问题，开发了一种名为UtU的新方法，保持了高准确性和隐私保护能力。UtU计算需求恒定，是一种轻量且实用的边的遗忘解决方案。
