以社区为中心的图去学习
内容提要
本文介绍了图形神经网络的创新方法，包括GNNDelete和UtU，旨在解决图上节点和边的遗忘问题。研究表明，UtU在保持高准确性的同时显著提高了隐私保护能力和计算效率。通过GraphRevoker和ScaleGUN机制，优化了大规模图数据的更新过程，提升了模型的实用性和效率。
延伸解读
图遗忘技术演进：从节点到边
文章梳理了图神经网络遗忘问题从节点、边到特征卸载的研究脉络。早期工作如GNNDelete和GIF主要关注节点和边的删除，而UtU则专门针对边遗忘中的过度遗忘问题，通过断开忘记边实现轻量级遗忘。这种演进反映了实际应用中隐私保护需求的细化，也表明图遗忘正从通用框架向特定场景优化发展。
效率与隐私的平衡：UtU与ScaleGUN的启示
UtU在边遗忘任务中仅需恒定计算需求，同时保留超过97.3%的隐私保护能力和99.8%的链接预测准确性，凸显了轻量级设计的优势。ScaleGUN则针对大规模图更新，采用懒局部传播优化嵌入矩阵更新，在亿边图上显著提升效率。两者共同表明，图遗忘技术正朝着兼顾隐私、效用与计算效率的方向发展。
动态图遗忘：后处理方法的优势
针对动态图神经网络，文章提出了一种模型无关的后处理方法，通过梯度变换和损失函数将遗忘请求映射为参数更新。在六个真实数据集上，该方法实现了有限性能下降甚至改进，并带来最多7.23倍的加速，处理未来请求时加速可达32.59倍。这为动态场景下的持续遗忘提供了实用方案。
Q&A
什么是GNNDelete模型，它的主要优势是什么？
GNNDelete模型是一种新型的图形撤销操作符，优化了图形撤销的关键性质，确保在删除节点和边的同时保留已学习的知识，其性能提升高达38.8%。
UtU方法如何实现边的遗忘？
UtU方法通过断开图结构中的忘记边来实现边的遗忘，同时保持高准确性和隐私保护能力。
D2DGN框架在图取消学习中有什么作用？
D2DGN框架通过知识蒸馏消除已删除图元素的影响，同时保留有关保留图元素的知识，AUC性能提高了43.1%。
GraphRevoker框架的主要目标是什么？
GraphRevoker框架旨在更好地保持不可学习的GNN模型的模型效用，通过图属性感知数据切分和图对比子模型聚合实现。
什么是PROJECTOR算法，它解决了什么问题？
PROJECTOR算法是一种针对图神经网络的反遗忘问题的解决方案，旨在处理节点相关性等挑战，实验证明其高效可靠。
ScaleGUN机制如何优化大规模图数据的更新过程？
ScaleGUN机制采用懒局部传播方法，有效优化嵌入矩阵的更新过程，显著提高了在处理亿边图时的效率。
