Este artículo propone tres nuevos métodos de desaprendizaje de nodos para eliminar eficientemente datos de entrenamiento sensibles de modelos de redes neuronales de grafos (GNN) y reducir riesgos de privacidad. Para abordar las limitaciones de los métodos existentes, incluyendo limitaciones en la arquitectura GNN, uso insuficiente de la topología de grafos y compromisos entre rendimiento y complejidad, proponemos tres métodos: Reemplazo de Etiquetas basado en Clases, Probabilidad Posterior Media de Vecinos Guiada por Topología y Filtrado de Nodos Vecinos Consistente con Clases. Específicamente, la Probabilidad Posterior Media de Vecinos Guiada por Topología y el Filtrado de Nodos Vecinos Consistente con Clases utilizan características topológicas del grafo para realizar un desaprendizaje efectivo de nodos. Evaluamos el rendimiento de estos tres métodos en tres conjuntos de datos de referencia basados en la utilidad del modelo, la utilidad de desaprendizaje y la eficiencia de desaprendizaje, y confirmamos que superan los métodos existentes. Esta investigación contribuye a mejorar la privacidad y seguridad de los modelos GNN y proporciona información valiosa en el campo del desaprendizaje de nodos.
