基于噪声注入的图类别遗忘框架

摘要

在图神经网络模型的训练中会涉及大量的隐私数据，出于隐私和数据安全的考虑，图遗忘技术得到了快速发展.然而，现有图遗忘问题的研究大多依靠数据划分的方法，这将破坏节点间的连接关系，也有部分方法仍然赖于对待遗忘的数据进行分析，从而带来数据泄露的风险和额外的计算开销.针对这些不足，本文提出一种全新的图类别遗忘框架.首先根据伪样本噪声生成策略对需要遗忘的数据类别生成对应的噪声，随后根据自适应邻域混合策略将生成的噪声对模型进行噪声注入和快速回忆操作.在不同数据集和图神经网络模型上的实验结果表明，与现有方法相比，该框架在实现了高效的类别级数据遗忘的同时，还能够在剩余类别上保持较高的准确率和较低的时间开销.

关键词

机器遗忘 / 图遗忘 / 数据隐私安全 / 噪声注入

基金资助

国家自然科学基金项目(62376180,62176175)资助; 教育部产学合作协同育人项目(220606363154256)资助; 江苏高校优势学科建设工程项目资助