高次元特徴に対応した量位選択による安定的マルチモーダル・グラフ忘却（Unlearning）
arXiv cs.LG / 2026/5/6
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、既存のグラフ忘却手法がGNNの各層で一様なパラメータ選択・編集を行いがちであり、特に高次元の入カ投影が支配的なクロスモーダル知識を符号化するマルチモーダル・グラフでは有害になり得ると指摘しています。
- FDQ（Feature-Dimension Aware Quantile）を提案し、高次元入力投影に関係する層を特定したうえで、抑制セット（suppression sets）構築時により保守的なFDQガイド付き量位（quantile）しきい値を適用します。
- FDQは重要度推定の中核メカニズムは維持しつつ、対角感度ベースのパラメータ重要度分析と統合して、一般的な忘却リクエストに対するノードおよびエッジの効率的忘却を可能にします。
- Ele-FashionとGoodreads-NCでの広範な実験により、FDQがユーティリティ（有用性）の維持を一貫して高く達成し、さらにメンバーシップ推論攻撃に対しても有効な忘却を保てることを示しています。
- 本研究は、高次元マルチモーダル・グラフ学習におけるプライバシー配慮型アンラーニングのための、原理的で頑健な解としてFDQを位置付けています。
