实体
Graph Unlearning with Efficient Partial Retraining
Graph Unlearning with Efficient Partial Retraining
PulseAugur coverage of Graph Unlearning with Efficient Partial Retraining — every cluster mentioning Graph Unlearning with Efficient Partial Retraining across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的GraphToxin攻击可从GNN中重建已删除数据
研究人员开发了GraphToxin，一种能够从图神经网络（GNN）中重建整个未学习图的新型攻击。该方法超越了以往的成员推理攻击，不仅恢复了已删除的单个数据，还恢复了其邻居的敏感信息。GraphToxin利用曲率匹配模块进行细粒度引导，并在白盒和黑盒场景中都显示出有效性，突显了当前图解构验证标准的局限性。
-
新的CUNO框架解决了图模型中的灾难性遗忘问题
研究人员开发了CUNO，一个用于图遗忘的新框架，旨在缓解灾难性遗忘，即模型效用随着大量删除数据而急剧下降的现象。CUNO通过根据估计的遗忘难度逐步删除数据样本来解决这个问题，并采用负偏好优化目标来引导模型偏离其原始行为，同时不牺牲保留的性能。实验表明，CUNO显著提高了效用保留率，即使在删除50%的数据时也能保持超过一半的原始性能，优于现有方法。
-
新的GDGU方法可实现AI模型的高效数据删除
研究人员开发了一种名为GDGU的新图遗忘方法，旨在无需完全重新训练即可从已训练模型中高效删除特定数据。该技术对于电动汽车充电网络尤其有用，因为隐私法规可能要求删除数据。GDGU使用梯度差异方法调整模型参数，其性能可与完全重新训练相媲美，但速度更快，内存需求更低。