本文提出了第一个已知的图形神经网络认证卸载框架，涉及节点、边缘和节点特征等三种不同类型的卸载请求，致力于在保证性能的情况下解决基准数据集中的复杂卸载问题并优于不利用图形信息的卸载方法。

Jun, 2022

通过系统地回顾图解学习的方法，本综述论文旨在增进对新加入该领域的研究人员的理解，与差分隐私建立关联，探索其在不同领域的应用，以增强数据隐私和增强人工智能系统的鲁棒性，并鼓励进一步研究和创新，从而推动图解学习领域的发展。

Aug, 2023

通过操纵梯度并将其投影到被保留梯度的法向平面上，我们提出了一种简单但有效的方法来移除深度生成模型中数据的影响。我们的方法不受移除样本统计的限制，在去学习生成模型方面优于现有基线，并首次提供了理论分析。

Jul, 2023

随着对数据隐私的关注加剧，图神经网络中的遗忘概念成为学术界一个重要的研究前沿，在用户请求下，遗忘概念可以强制从经过训练的图神经网络中有选择地删除特定数据。我们的研究专注于边的遗忘，这一过程在现实世界应用中具有广泛适用性。然而，我们的研究发现当前最先进的方法存在一个关键限制，被称为过度遗忘，即遗忘过程在去除特定数据之外错误地移除了过多信息，从而显著降低了剩余边的预测准确性。为了解决这个问题，我们确定了 GNNDelete 的损失函数作为过度遗忘现象的主要原因，并且我们的分析也表明，损失函数对于有效的边的遗忘可能不是必要的。基于这些认识，我们简化了 GNNDelete 方法，开发出一种名为 UtU 的新方法，它通过对图结构中的忘记边进行断开来方便遗忘。我们进行了大量实验证明，与重新训练模型相比，UtU 在提供隐私保护的同时保持了高准确性。具体而言，UtU 保留了超过 97.3% 的重新训练模型的隐私保护能力和 99.8% 的链接预测准确性。同时，UtU 仅需要恒定的计算需求，凸显了其作为一种轻量且实用的边的遗忘解决方案的优势。

Feb, 2024

本文提出了一种名为 GTrans 的图形变换框架，通过在测试时自适应和改进图形数据，从数据角度来解决图神经网络（GNN）所面临的数据质量问题，经实验表明，GTrans 在改善性能方面表现最佳。

Oct, 2022

本文回顾了动态图学习的问题和模型，分析和讨论了各种动态图的监督学习设置，并确定了现有模型的相似之处和不同之处，最后为 DGNN 设计者在面对动态图学习问题时提供了一般指导原则。

Apr, 2023

最近的数据隐私法引起了对机器去学习的兴趣，机器去学习涉及从学习模型中删除特定训练样本的影响，就像这些样本从未出现在原始训练数据集中一样，这个挑战在于在学习模型中丢弃关于 “遗忘” 数据的信息，同时不改变对剩余数据集的知识，并且比起重新训练的方法更高效，为了实现这一点，我们采用了一种基于投影梯度的学习方法，即投影梯度去学习（PGU），在这种方法中，模型在与被认为是对保留的数据集不重要的梯度子空间相对正交的方向上迈出步伐，以便保留其知识。通过利用随机梯度下降（SGD）来更新模型权重，我们的方法可以高效地适用于任何模型和数据集大小。我们提供实证证据表明，即使无法访问训练数据集，我们的去学习方法产生的模型在各种度量指标上表现与从头开始重新训练的模型类似。我们的代码可在此 https URL 中找到。

Dec, 2023

通过互相进化的图形反学习（MEGU），我们提出了一种新的互相进化模式，同时发展了图形反学习的预测和学习能力，解决了在 AI 应用中数据隐私和模型健壮性的增长需求。

Jan, 2024

机器遗忘是一种新兴技术，主要研究如何使训练模型忘记一些训练数据。本文提出了一种名为 “目标遗忘” 的更有效和高效的遗忘方案，通过构建一个关键参数的关系图数据结构和基于修剪的遗忘方法，实现从模型中删除部分目标的信息。实验结果验证了该方法的有效性。

Jun, 2024

机器学习中的模型撤销能够有效解决数据隐私问题，本研究通过实证评估表明首次梯度上升法在机器学习中的撤销过程更为有效，突出了其在提升数据隐私和符合法规（如 GDPR 和 CCPA）方面的潜力。

Jun, 2024