Bài báo này đề xuất ba phương pháp hủy học nút mới để loại bỏ hiệu quả dữ liệu huấn luyện nhạy cảm khỏi các mô hình mạng nơ-ron đồ thị (GNN) và giảm thiểu rủi ro về quyền riêng tư. Để giải quyết những hạn chế của các phương pháp hiện có, bao gồm những hạn chế trong kiến trúc GNN, việc sử dụng không đầy đủ cấu trúc đồ thị và sự đánh đổi giữa hiệu suất và độ phức tạp, chúng tôi đề xuất ba phương pháp: Thay thế nhãn dựa trên lớp, Xác suất hậu nghiệm trung bình hàng xóm hướng dẫn theo cấu trúc đồ thị và Lọc nút hàng xóm nhất quán theo lớp. Cụ thể, Xác suất hậu nghiệm trung bình hàng xóm hướng dẫn theo cấu trúc đồ thị và Lọc nút hàng xóm nhất quán theo lớp sử dụng các đặc điểm cấu trúc của đồ thị để thực hiện hủy học nút hiệu quả. Chúng tôi đánh giá hiệu suất của ba phương pháp này trên ba tập dữ liệu chuẩn dựa trên tiện ích mô hình, tiện ích hủy học và hiệu quả hủy học, đồng thời xác nhận rằng chúng vượt trội hơn các phương pháp hiện có. Nghiên cứu này góp phần cải thiện quyền riêng tư và bảo mật của các mô hình GNN và cung cấp những hiểu biết có giá trị về lĩnh vực hủy học nút.
