Краткое содержание

arXiv:2511.14168v1 Тип объявления: кросс Аннотация: Подписанные графы моделируют сложные отношения с помощью положительных и отрицательных ребер, что находит широкое применение в реальных задачах. Учитывая чувствительный характер таких данных, механизмы выборочного удаления стали необходимы для защиты конфиденциальности. Хотя обучение без обучения на графах позволяет удалять влияние конкретных данных из нейронных сетей графа (Graph Neural Networks — GNN), существующие методы разработаны для обычных GNN и не учитывают уникальные гетерогенные свойства подписанных графов. При применении к нейронным сетям подписанного графа (Signed Graph Neural Networks — SGNN) эти методы теряют критически важную информацию о знаках, ухудшая как полезность модели, так и эффективность процесса "забывания". Для решения этих проблем мы предлагаем сертифицированное удаление подписанных графов (Certified Signed Graph Unlearning — CSGU), которое обеспечивает доказуемые гарантии приватности при сохранении социологических принципов, лежащих в основе SGNN. CSGU использует трехэтапный метод: (1) эффективное выявление минимальных влияющих окрестностей через треугольные структуры; (2) применение социо