Neues Verfahren: Zertifizierte Unlearning-Methodik für Signierte Graphen

Wissenschaftler haben ein innovatives Verfahren namens Certified Signed Graph Unlearning (CSGU) vorgestellt, das gezielt Daten aus Graph Neural Networks (GNNs) entfernt, ohne die wichtigen positiven und negativen Beziehungen in signierten Graphen zu zerstören. Das neue Verfahren garantiert dabei eine nachweisbare Privatsphäre und schützt sensible Informationen, die in vielen realen Anwendungen vorkommen.

Im Gegensatz zu bisherigen Unlearning-Methoden, die für klassische GNNs entwickelt wurden, berücksichtigt CSGU die heterogenen Eigenschaften von signierten Graphen. Durch die Erkennung minimaler Einflussbereiche mithilfe von Dreiecksstrukturen kann das Verfahren gezielt die relevanten Knoten identifizieren, ohne die Signalinformationen zu verlieren. Anschließend werden sozialwissenschaftliche Theorien herangezogen, um die Wichtigkeit der Knoten zu bewerten und das Privatsphäre-Budget optimal zu verteilen.

Der dritte Schritt des Ansatzes führt gewichtete Parameteraktualisierungen durch, die die Modifikationen zertifizieren und gleichzeitig die Modellleistung minimieren. Umfangreiche Experimente zeigen, dass CSGU bestehende Methoden übertrifft, indem es sowohl die Modellnützlichkeit als auch die Unlearning-Effizienz bei signierten Graphen deutlich verbessert.