Graph Unlearning with Efficient Partial Retraining

图神经网络（GNN）在各种实际应用中取得了显著的成功。然而，GNN可能会在不理想的图数据上进行训练，这可能会降低它们的性能和可靠性。为了使经过训练的GNN能够有效地忘记不需要的数据，一种理想的解决方案是基于重新训练的图形取消学习，该方案将训练图形分成子图并在其上训练子模型，从而允许通过部分重新训练进行快速取消学习。然而，图分区过程会导致训练图中的信息丢失，从而导致子GNN模型的低模型效用。在本文中，我们提出了GraphRevoker，一种新颖的图形取消学习框架，可更好地维护不可取消学习的GNN的模型效用。具体而言，我们使用图形属性感知分片来保留图形属性，并使用图形对比子模型聚合来有效地聚合子GNN模型以进行预测。我们进行了大量实验，以证明我们提出的方法的优越性。

本论文试图解决GNN在训练过程中可能出现的不良数据，从而导致性能和可靠性下降的问题。同时，论文也旨在提出一种新的解决方案，能够快速有效地去除不需要的数据。

本文提出了GraphRevoker框架，通过图属性感知分片和图对比子模型聚合，更好地维护了无法学习的GNN的模型效用。

本文的实验结果表明，GraphRevoker框架相比现有方法具有更好的性能和可靠性。同时，作者还提供了详细的实验设计和使用的数据集，为后续研究提供了参考。

在最近的相关研究中，还有一些与本文相关的研究，如《Graph Unlearning via Importance-based Node Removal》和《Robust Graph Representation Learning with Corrupted and Incomplete Data》等。