Lethe：以链接推断评估图边遗忘

基于摘要分析。本文研究图神经网络中的边遗忘（Edge Unlearning，EU）：在不从头重训练的情况下，移除特定训练边对模型的影响。作者提出 Lethe 基准，覆盖 15 种方法和 8 个数据集，以链接推断攻击为基础构建经验评估指标，而非仅用下游任务准确率间接衡量遗忘效果。 研究动机是，边的影响可能难以从模型中完全消除，而现有孤立评估常采用 Cora、Citeseer 等节点特征丰富的数据集。作者认为，在此类设置中，GNN 可能更多依赖节点特征而非图结构，导致删除边对准确率影响很小，因此准确率难以有效反映边是否被遗忘。作者报告，在其考察的评估设置中，部分专用 EU 方法甚至可能比从头重训练更慢；摘要未提供具体方法、运行条件或耗时数据，不能据此推广至所有 EU 方法。 Lethe 强调大规模图，设置不同难度的评估任务，并使用链接推断攻击考察边信息的残留。其主要贡献是重新组织边遗忘的评估对象与证据，而非提出新的 EEG 或 BCI 算法。作者将其描述为可复现、可扩展的基准，但具体数据集构成、训练与删除划分、攻击者可访问的信息、攻击指标、重训练对照及计算资源尚未验证，实验协议、消融及统计信息亦尚未验证。摘要未提供可量化的攻击结果或方法排名，因此目前只能确认其评估框架与作者报告的定性结论，不能判断各方法的遗忘有效性或效率优势。材料没有给出 EEG/BCI 数据或具体对应机制，不据此推断相关应用效果。