ترجمه فارسی مقاله لغو یادگیری نمودار مقیاس پذیر و قابل تایید از طریق انتشار محلی تنبل

چکیده

With the recent adoption of laws supporting the “right to be forgotten” and the widespread use of Graph Neural Networks for modeling graph-structured data, graph unlearning has emerged as a crucial research area. Current studies focus on the efficient update of model parameters. However, they often overlook the time-consuming re-computation of graph propagation required for each removal, significantly limiting their scalability on large graphs. In this paper, we present ScaleGUN, the first certifiable graph unlearning mechanism that scales to billion-edge graphs. ScaleGUN employs a lazy local propagation method to facilitate efficient updates of the embedding matrix during data removal. Such lazy local propagation can be proven to ensure certified unlearning under all three graph unlearning scenarios, including node feature, edge, and node unlearning. Extensive experiments on real-world datasets demonstrate the efficiency and efficacy of ScaleGUN. Remarkably, ScaleGUN accomplishes $(ε,δ)=(1,10^{-4})$ certified unlearning on the billion-edge graph ogbn-papers100M in 20 seconds for a $5K$-random-edge removal request — of which only 5 seconds are required for updating the embedding matrix — compared to 1.91 hours for retraining and 1.89 hours for re-propagation. Our code is available online.

چکیده به فارسی (ترجمه ماشینی)

با تصویب اخیر قوانینی که از “حق فراموش شدن” و استفاده گسترده از شبکه های عصبی نمودار برای مدل سازی داده های ساختار یافته نمودار حمایت می کند ، آراء نمودار به عنوان یک منطقه تحقیقاتی مهم ظاهر شده است.مطالعات فعلی بر بروزرسانی کارآمد پارامترهای مدل متمرکز است.با این حال ، آنها غالباً از محاسبات مجدد وقت گیر انتشار نمودار مورد نیاز برای هر حذف غافل می شوند ، و به طور قابل توجهی مقیاس پذیری آنها را در نمودارهای بزرگ محدود می کنند.در این مقاله ، ما ScaleGun ، اولین مکانیزم غیرقابل توصیف نمودار را ارائه می دهیم که به نمودارهای میلیارد لبه مقیاس می یابد.ScaleGun از یک روش انتشار محلی تنبل برای تسهیل به روزرسانی های کارآمد ماتریس تعبیه شده در هنگام حذف داده ها استفاده می کند.چنین انتشار محلی تنبل را می توان اثبات کرد که از آراء معتبر تحت هر سه سناریوی آراسته نمودار ، از جمله ویژگی گره ، لبه و آراء گره استفاده می شود.آزمایش های گسترده در مجموعه داده های دنیای واقعی ، کارآیی و اثربخشی ScaleGun را نشان می دهد.نکته قابل توجه ، ScaleGun $ (ε ، δ) = (1،10^{-4}) $ را به صورت مجوز در نمودار میلیارد لبه OGBN-Papers100m در 20 ثانیه با درخواست حذف 5K $-Random-Edge انجام می دهد-ازکه فقط 5 ثانیه برای به روزرسانی ماتریس تعبیه لازم است-در مقایسه با 1.91 ساعت برای بازآموزی و 1.89 ساعت برای انتشار مجدد.کد ما بصورت آنلاین در دسترس است.