Lethe: attacchi di inferenza dei collegamenti per valutare i metodi di disapprendimento degli archi

Abstract degli autori

Il disapprendimento dei grafi (GU) mira a eliminare l’influenza di specifici dati di addestramento da una rete neurale a grafo senza riaddestrarla da zero. Mentre la maggior parte dei metodi si occupa della rimozione di nodi e caratteristiche, il disapprendimento degli archi (EU), che mira a far dimenticare gli archi, ha recentemente attirato un’attenzione specifica come problema a sé stante, data la difficoltà di eliminare completamente l’impatto di un arco sul modello. Nonostante ciò, non esiste un benchmark dedicato all’EU, al di là di valutazioni isolate su dataset ricchi di caratteristiche come Cora e Citeseer, in cui le reti neurali a grafo sfruttano le caratteristiche dei nodi anziché la struttura del grafo. Mostriamo quindi due limiti sistematici delle valutazioni esistenti: i metodi dedicati all’EU possono essere più lenti del riaddestramento da zero e le metriche di accuratezza sono poco informative perché la rimozione degli archi ha un impatto trascurabile. Per colmare questa lacuna, presentiamo Lethe, il primo benchmark completo per il disapprendimento degli archi, che comprende 15 metodi e 8 dataset. Il nostro benchmark pone l’accento sui grafi di grandi dimensioni, introduce compiti di valutazione con diversi gradi di difficoltà e propone misure empiriche basate su attacchi di inferenza dei collegamenti anziché su metriche di accuratezza usate come proxy. Forniamo un’analisi empirica completa, dimostriamo i limiti delle valutazioni attuali e rendiamo disponibile Lethe come benchmark riproducibile ed estensibile.