그래프 합성곱 신경망에서 노드 삭제를 효율적으로 반영하기 위한 노드 임베딩 언러닝 기법
Node Embedding Unlearning for Efficient Node Deletion in Graph Convolutional Networks
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
머신 언러닝(Machine Unlearning)은 개인정보 보호 및 법적 규제에 따른 데이터 삭제 요청에 대응하기 위해, 학습된 모델에서 특정 데이터의영향을 완전히 제거하는 것을 목표로 한다. 그래프 언러닝(Graph Unlearning)은 이를 그래프 구조에 적용한 개념으로, 노드와 간선의 관계를 반영해야 하는 추가적인 과제가 따른다. 본 연구는 그래프 합성곱 신경망(Graph Convolutional Network, GCN) 기반 모델에서 특정 노드 삭제 시 전체재학습 없이, 해당 노드와 관련 정보만 효율적으로 제거하는 노드 임베딩 언러닝(Node Embedding Unlearning) 방법을 제안한다. 제안 방법은초기 학습과정에서 도출된 임베딩을 활용해 변경된 부분만 재계산하고, 삭제된 노드와 직접 연관된 희소 행렬만을 처리함으로써 연산량을 크게줄인다. 실험 결과, 제안 기법은 전체 재학습과 유사한 정확도를 유지하면서도 수행 시간을 크게 단축하였으며, 특히 노드 제거 비율이 낮은 환경에서실시간 그래프 변화에 효과적으로 대응할 수 있음을 확인하였다.
Abstract
Machine unlearning has emerged as a crucial concept to address data deletion requests arising from privacy protection and legalregulations, aiming to completely remove the influence of specific data from a trained model. Graph unlearning extends this conceptto graph-structured data, where additional challenges arise from the need to account for relationships between nodes and edges. Thisstudy proposes a Node Embedding Unlearning method for Graph Convolutional Network (GCN)-based models that efficiently removesdeleted nodes and their related information without performing full retraining. The proposed approach leverages the embeddings obtainedduring the initial training to recompute only the modified parts and utilizes sparse matrices containing information directly associatedwith the deleted nodes, thereby significantly reducing computational overhead. Experimental results demonstrate that the proposed methodmaintains comparable accuracy to full retraining while substantially reducing execution time. In particular, it proves effective inenvironments with low node deletion ratios, where real-time adaptation to graph changes is required.