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

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Scalable and Certifiable Graph Unlearning via Lazy Local Propagation
عنوان مقاله به فارسی لغو یادگیری نمودار مقیاس پذیر و قابل تایید از طریق انتشار محلی تنبل
نویسندگان Lu Yi, Zhewei Wei
فرمت مقاله انگلیسی PDF
تعداد صفحات 38
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 17 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 17 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.