証明されたサイン付きグラフのアンラーニング

サイン付きグラフは、正のエッジと負のエッジを通じて複雑な関係をモデル化し、さまざまな実世界の応用があります。しかし、データの敏感さから、選択的な削除メカニズムがプライバシー保護において重要となっています。グラフアンラーニングは、特定のデータの影響を除去する手法ですが、従来のグラフニューラルネットワーク（GNN）向けに設計されており、サイン付きグラフの独自の特性を無視しています。このため、サイン付きグラフニューラルネットワーク（SGNN）では、重要なサイン情報が失われ、モデルの有用性やアンラーニングの有効性が低下します。これに対処するため、本研究では証明可能なプライバシー保証を提供し、SGNNの社会学的原則を保持する「証明されたサイン付きグラフのアンラーニング（CSGU）」を提案します。CSGUは三段階の手法を用い、影響を受けた最小の近傍を特定し、ノードの重要度を定量化した上でパラメータ更新を行い、最小限の有用性低下で認証された修正を実現します。実験により、CSGUは既存の手法を上回る性能を発揮し、SGNNにおける有用性保持とアンラーニングの効果が向上することを示しています。