그래프 신경망(GNN)은 그래프 구조 데이터에서 복잡한 패턴을 모델링하기 위해 점차 더 널리 사용되고 있다. 그러나 GDPR과 같은 개인정보 보호 규정 하에서, 특정 정보를 “잊도록(forget)” 하는 기능을 제공하는 일은 여전히 어렵다. 기존의 언러닝(unlearning) 방법들은 주로 효율성과 확장성에 최적화되어 있으나, 투명성이 부족하며, GNN의 블랙박스적 특성 때문에 실제로 잊기가 온전히 발생했는지 검증하기가 어렵다. 본 연구는 GNN 언러닝을 위한 설명가능성 기반 검증기(explainability-driven verifier)를 제안한다. 이 검증기는 삭제 이전과 이후의 모델을 스냅샷으로 저장하고, 귀속(attribution) 변화와 국소적 구조 변화(예: 그래프 편집 거리(graph edit distance))를 투명한 증거로 활용하여 검증을 수행한다. 검증기는 잔여 귀속(residual attribution), 히트맵 변화(heatmap shift), 설명가능성 점수 편차(explainability score deviation), 그래프 편집 거리(graph edit distance), 그리고 (진단용) 그래프 규칙 변화(graph rule shift) 등 다섯 가지 설명가능성 지표를 사용한다. 본 연구에서는 두 가지 백본(GCN, GAT)과 네 가지 언러닝 전략(Retrain, GraphEditor, GNNDelete, IDEA)을 다섯 가지 벤치마크(Cora, Citeseer, Pubmed, Coauthor?CS, Coauthor?Physics)에서 평가한다. 그 결과 Retrain과 GNNDelete는 거의 완전한 망각을 달성하고, GraphEditor는 부분적 지움을 제공하며, IDEA는 잔여 신호를 남기는 것으로 나타났다. 이러한 설명 변화량(deltas)은 망각의 주요한 인간이 읽을 수 있는 증거를 제공한다. 또한 보완적인(graph?wide) 개인정보 보호 신호로 membership?inference ROC?AUC도 보고한다. 코드는 https://github.com/ImranAhsan23/F-E 에서 이용 가능하다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.