إلغاء تعلم الرسم البياني مع إعادة تدريب جزئية فعالة

حققت الشبكات العصبية الرسومية (GNNs) نجاحًا ملحوظًا في تطبيقات العالم الحقيقي المختلفة. ومع ذلك، قد يتم تدريب GNNs على بيانات رسم بياني غير مرغوب فيها، مما يمكن أن يقلل من أدائها وموثوقيتها. لتمكين GNNs المدربة من إلغاء تعلم البيانات غير المرغوب فيها بكفاءة، فإن الحل المناسب هو إلغاء تعلم الرسم البياني المستند إلى إعادة التدريب، والذي يقوم بتقسيم رسم التدريب إلى رسوم فرعية وتدريب نماذج فرعية عليها، مما يسمح بإلغاء التعلم بسرعة من خلال إعادة تدريب جزئية. ومع ذلك، فإن عملية تقسيم الرسم البياني تؤدي إلى فقدان المعلومات في رسم التدريب، مما ينتج عنه انخفاض في فائدة نموذج نماذج GNN الفرعية. في هذا المقال، نقترح GraphRevoker، وهو إطار عمل جديد لإلغاء تعلم الرسم البياني يحافظ بشكل أفضل على فائدة نماذج GNN التي لا يمكن تعلمها. بشكل محدد، نحن نحافظ على خاصية الرسم البياني من خلال تقسيم البيانات القائم على خاصية الرسم البياني ونجمع بفعالية نماذج GNN الفرعية للتنبؤ من خلال تجميع نماذج فرعية متباينة. نجري تجارب واسعة لتوضيح تفوق نهجنا المقترح.