본 논문은 그래프 신경망(GNN) 모델에서 민감한 훈련 데이터를 효율적으로 제거하고 개인 정보 보호 위험을 줄이기 위한 새로운 노드 언러닝(node unlearning) 방법 세 가지를 제안합니다. 기존 방법들의 한계점인 GNN 구조 제약, 그래프 토폴로지 활용 부족, 성능-복잡도 간의 균형 문제를 해결하기 위해, Class-based Label Replacement, Topology-guided Neighbor Mean Posterior Probability, Class-consistent Neighbor Node Filtering 세 가지 방법을 제시합니다. 특히 Topology-guided Neighbor Mean Posterior Probability와 Class-consistent Neighbor Node Filtering은 그래프의 토폴로지 특징을 활용하여 효과적인 노드 언러닝을 수행합니다. 세 가지 방법의 성능을 세 개의 벤치마크 데이터셋을 이용하여 모델 유틸리티, 언러닝 유틸리티, 언러닝 효율성을 기준으로 평가한 결과, 기존 방법들보다 우수한 성능을 보임을 확인했습니다. 본 연구는 GNN 모델의 개인 정보 보호 및 보안 향상에 기여하며, 노드 언러닝 분야에 대한 귀중한 통찰력을 제공합니다.
