MMFGU: 다중 모드 연합 그래프 학습 데이터 제거 기법

MMFGU: Multimodal Federated Graph Unlearning

다중 모드 연합 그래프 학습은 클라이언트들이 구조적, 텍스트 및 시각 정보와 같은 다양한 데이터를 공유하지 않고도 공동으로 그래프 모델을 훈련할 수 있도록 합니다. 그러나 이질적인 다중 모드 콘텐츠의 존재는 데이터 제거 요청을 더욱 빈번하고 세밀하게 만듭니다. 사용자는 계정이나 상호 작용을 삭제하거나, 특정 이미지를 제거하면서 관련된 엔티티를 유지하거나, 남아있는 모달리티 또는 그래프 속성 간의 학습된 연관성을 취소할 수 있습니다. 기존의 연합 그래프 데이터 제거 기법은 주로 엔티티/관계 제거 또는 클라이언트 제거만을 다루며, 이러한 다중 모드 요청을 직접적으로 처리하지 못합니다. 이는 세 가지 과제를 야기합니다. 첫째, 제거 요청된 정보만 삭제하고 유지되는 콘텐츠를 손상시키지 않아야 합니다. 둘째, 남아있는 다른 모달리티나 그래프 이웃을 통해 대상 정보를 복구하는 것을 방지해야 합니다. 셋째, 집계 후 글로벌 모델에 다시 포함되지 않도록 관련 트레이스를 다른 클라이언트에서 차단해야 합니다. 이러한 문제를 해결하기 위해, 본 논문에서는 대상 정보에 특화된 표현 분리를 기반으로 하는 다중 모드 연합 그래프 데이터 제거 프레임워크인 extsc{ extbf{MMFGU}}를 제안합니다. extsc{MMFGU}는 다양한 요청을 통합된 대상 정보로 변환하고, 요청된 표현을 분리하면서 유지되는 의미를 고정하며, 경량 프로브를 통해 전파된 잔여 정보를 노출하고 수정하며, 압축된 프로토타입 및 응답 신호를 사용하여 영향을 받은 클라이언트를 선택적으로 제거합니다. 실험 결과는 extsc{MMFGU}가 요청된 정보를 효과적으로 제거하고, 유지되는 그래프 유용성을 보존하며, 전체 재훈련에 비해 최대 41.5배의 속도 향상을 달성함을 보여줍니다.

Multimodal federated graph learning enables clients to collaboratively train graph models over structural, textual, and visual signals without sharing private local data. However, the presence of heterogeneous multimodal content also makes unlearning requests more frequent and fine-grained: users may delete accounts or interactions, remove a particular image or text while retaining the associated entity, or revoke the learned correspondence between retained modalities or graph attributes. Existing federated graph unlearning mainly handles entity/relation or client removal and cannot directly satisfy these multimodal requests. They introduce three challenges: removing only the requested information without damaging retained content, preventing the target from being recovered through remaining modalities or graph neighborhoods, and stopping related traces on other clients from re-entering the global model after aggregation. To address them, we propose \textsc{\textbf{MMFGU}}, a multimodal federated graph unlearning framework built around target-specific representation decoupling. \textsc{MMFGU} maps heterogeneous requests into unified target carriers, decouples requested representations while anchoring retained semantics, exposes and repairs propagated residuals with lightweight probes, and selectively purges affected clients through compact prototype and response signals. Experiments show that \textsc{MMFGU} effectively removes requested information, preserves retained graph utility, and achieves a $\boldsymbol{41.5\times}$ speedup over full retraining.