Editorial ilmu komputer
Open AccessOA2026
Unlearning pada Graf Spasio-Temporal melalui Rekonstruksi Edge Virtual Subgraf
CallosumNet: Kerangka Kerja Terinspirasi Biologis untuk Unlearning Node Lengkap pada Graf Dinamis
Qiming Guo; Wenbo Sun; Chen Pan; Ye Wang; Wenlu Wang· 2026· DOI 10.48550/arXiv.2608.29369
Masalah inti
Graf spasio-temporal penting untuk memodelkan proses dinamis yang kompleks seperti peramalan temporal, dinamika molekuler, dan pemantauan kesehatan. Namun, regulasi privasi yang ketat seperti GDPR dan CCPA mewajibkan penghapusan lengkap data yang tidak sah dari model yang telah dilatih. Pada graf spasio-temporal, setiap node mendifusikan informasi secara global di kedua dimensi spasial dan temporal, sehingga unlearning menjadi sangat menantang. Metode unlearning yang ada, yang terutama dirancang untuk graf statis dan penghapusan data terlokalisasi, tidak dapat menghapus satu node secara efisien tanpa biaya yang hampir setara dengan pelatihan ulang model penuh. Penelitian ini mengatasi kesenjangan tersebut dengan mengusulkan CallosumNet, kerangka kerja baru yang memungkinkan unlearning yang efisien dan lengkap pada graf spasio-temporal.
Inovasi
Hasil empiris pada empat dataset dunia nyata yang beragam menunjukkan bahwa CallosumNet mencapai unlearning lengkap sambil mempertahankan akurasi yang sangat dekat dengan gold model. Dataset tersebut mencakup tugas peramalan temporal, dinamika molekuler, dan pemantauan kesehatan. Evaluasi kuantitatif menunjukkan bahwa CallosumNet mengurangi biaya unlearning secara signifikan dibandingkan pelatihan ulang dari awal, dengan degradasi akurasi biasanya dalam 1-2% dari gold model. Misalnya, pada dataset pemantauan kesehatan, CallosumNet mencapai 98,5% akurasi gold model sambil melakukan unlearning satu node dalam waktu kurang dari 10% waktu pelatihan ulang. Hasil ini memvalidasi efektivitas rekonstruksi edge virtual dan integrasi meta-graf dalam mempertahankan dependensi spasio-temporal.
Graf spasio-temporal penting untuk memodelkan proses dinamis yang kompleks seperti peramalan temporal, dinamika molekuler, dan pemantauan kesehatan. Namun, regulasi privasi yang ketat seperti GDPR dan CCPA mewajibkan penghapusan lengkap data yang tidak sah dari model yang telah dilatih. Pada graf spasio-temporal, setiap node mendifusikan informasi secara global di kedua dimensi spasial dan temporal, sehingga unlearning menjadi sangat menantang. Metode unlearning yang ada, yang terutama dirancang untuk graf statis dan penghapusan data terlokalisasi, tidak dapat menghapus satu node secara efisien tanpa biaya yang hampir setara dengan pelatihan ulang model penuh. Penelitian ini mengatasi kesenjangan tersebut dengan mengusulkan CallosumNet, kerangka kerja baru yang memungkinkan unlearning yang efisien dan lengkap pada graf spasio-temporal.
CallosumNet terinspirasi secara biologis oleh struktur corpus callosum dan memberikan dua kontribusi teknis utama. Pertama, kerangka kerja ini merekonstruksi subgraf menggunakan edge virtual yang terinspirasi biologis. Edge virtual ini diperkenalkan untuk menangkap pola difusi global graf spasio-temporal, memungkinkan model mengisolasi dan menghapus pengaruh node tertentu. Kedua, kerangka kerja ini memulihkan dependensi spasio-temporal yang saling terkait antar subgraf melalui lapisan integrasi meta-graf yang ringan. Lapisan ini memastikan bahwa proses unlearning tidak mengganggu struktur graf secara keseluruhan. Kerangka kerja ini dapat diformalkan sebagai berikut: diberikan graf spasio-temporal , di mana adalah himpunan node, adalah himpunan edge, dan merepresentasikan dimensi temporal, unlearning suatu node melibatkan rekonstruksi subgraf dengan edge virtual dan mengintegrasikannya menggunakan meta-graf . Tujuan unlearning adalah meminimalkan perbedaan antara model yang telah di-unlearn dan gold model yang dilatih tanpa , sekaligus memastikan bahwa informasi terhapus sepenuhnya. Arsitektur CallosumNet diilustrasikan di bawah ini:
Mengapa penting
Keberhasilan CallosumNet terletak pada kemampuannya meniru fungsi corpus callosum dalam mengintegrasikan informasi lintas hemisfer. Dengan merekonstruksi subgraf menggunakan edge virtual, kerangka kerja ini secara efektif mengisolasi pengaruh node yang di-unlearn sambil mempertahankan struktur global. Lapisan integrasi meta-graf memastikan dependensi yang saling terkait tetap terjaga, mencegah degradasi kinerja. Pendekatan ini sangat cocok untuk graf dinamis di mana informasi berdifusi secara global. Namun, metode ini mengasumsikan bahwa graf dapat dipartisi menjadi subgraf, yang mungkin tidak berlaku untuk graf yang sangat saling terhubung. Penelitian selanjutnya dapat mengeksplorasi rekonstruksi subgraf adaptif dan memperluas kerangka kerja ke jenis graf lain. Secara keseluruhan, CallosumNet memberikan solusi yang menjanjikan untuk pembelajaran graf spasio-temporal yang menjaga privasi, menyeimbangkan kelengkapan unlearning dan kegunaan model.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…