ترجمه فارسی مقاله Unearning نمودار جامعه محور

چکیده

Graph unlearning technology has become increasingly important since the advent of the `right to be forgotten’ and the growing concerns about the privacy and security of artificial intelligence. Graph unlearning aims to quickly eliminate the effects of specific data on graph neural networks (GNNs). However, most existing deterministic graph unlearning frameworks follow a balanced partition-submodel training-aggregation paradigm, resulting in a lack of structural information between subgraph neighborhoods and redundant unlearning parameter calculations. To address this issue, we propose a novel Graph Structure Mapping Unlearning paradigm (GSMU) and a novel method based on it named Community-centric Graph Eraser (CGE). CGE maps community subgraphs to nodes, thereby enabling the reconstruction of a node-level unlearning operation within a reduced mapped graph. CGE makes the exponential reduction of both the amount of training data and the number of unlearning parameters. Extensive experiments conducted on five real-world datasets and three widely used GNN backbones have verified the high performance and efficiency of our CGE method, highlighting its potential in the field of graph unlearning.

چکیده به فارسی (ترجمه ماشینی)

از زمان ظهور “حق فراموش شدن” و نگرانی های فزاینده در مورد حریم خصوصی و امنیت هوش مصنوعی ، فن آوری ناآگاه از گراف به طور فزاینده ای اهمیت پیدا کرده است.Unlarning Graph با هدف از بین بردن سریع اثرات داده های خاص در شبکه های عصبی نمودار (GNN).با این حال ، بیشتر چارچوب های موجود در نمودار قطعی موجود ، از یک پارادایم آموزش و جمع بندی آموزش-زیرپرسی متعادل پیروی می کنند ، که منجر به عدم وجود اطلاعات ساختاری بین محلات زیرگراف و محاسبات پارامتر غیرقانونی می شود.برای پرداختن به این مسئله ، ما یک ساختار نمودار جدید نقشه برداری از الگوی ناآرام (GSMU) و یک روش جدید مبتنی بر آن را با نام Eraser نمودار محور جامعه (CGE) ارائه می دهیم.CGE زیرگرافهای جامعه را به گره ها نقشه می کند ، در نتیجه امکان بازسازی یک عملیات غیرقابل استفاده در سطح گره را در یک نمودار نقشه برداری کاهش می دهد.CGE باعث کاهش نمایی هم میزان داده های آموزش و هم تعداد پارامترهای فرسوده می شود.آزمایش های گسترده ای که بر روی پنج مجموعه داده در دنیای واقعی انجام شده است و سه ستون فقرات GNN که به طور گسترده استفاده می شوند ، عملکرد و کارآیی بالایی از روش CGE ما را تأیید کرده اند و پتانسیل آن را در زمینه آگاهی از نمودار برجسته می کنند.