يُعد التعلم الآلي على الرسوم البيانية (Graph Machine Learning) ضروريًا لفهم وتحليل البيانات ذات العلاقات. ومع ذلك، تتطلب التطبيقات الحساسة للخصوصية القدرة على إزالة المعلومات الحساسة من الشبكات العصبية الرسومية (GNNs) التي تم تدريبها بكفاءة، وذلك لتجنب التكاليف الزمنية والمكانية غير الضرورية الناتجة عن إعادة تدريب النماذج من البداية. ولحل هذه المشكلة، برز مفهوم "الاسترجاع من التعلم" (Graph Unlearning - GU) كحل جوهري، يتمتع بإمكانية دعم تحديثات الرسوم الديناميكية في أنظمة إدارة البيانات، وتمكين عملية الاسترجاع القابلة للتوسع في الأنظمة الموزعة للبيانات مع ضمان الامتثال للخصوصية. وعلى عكس تعلم الآلة في مجالات مثل الرؤية الحاسوبية، يواجه GU صعوبات فريدة ناتجة عن الطبيعة غير الإقليدية للبيانات الرسومية، بالإضافة إلى آلية تمرير الرسائل المتكررة المستخدمة في الشبكات العصبية الرسومية. كما أن تنوع المهام التطبيقية الثانوية وتعقيد طلبات الاسترجاع يزيد من هذه التحديات بشكل كبير. وعلى الرغم من التعدد الكبير في استراتيجيات GU، إلا أن غياب معيار موحد يتيح مقارنات عادلة بين أساليب الاسترجاع، بالإضافة إلى المحدودية في المرونة عند دمج المهام التطبيقية المختلفة مع طلبات الاسترجاع، قد أدى إلى تباين في نتائج التقييم، مما يعيق تطور هذا المجال. ولسد هذه الفجوة، نقدم "OpenGU"، أول معيار تقييم مخصص لـ GU، حيث تم دمج 16 خوارزمية من أحدث الأساليب (SOTA) في مجال الاسترجاع من التعلم على الرسوم، و37 مجموعة بيانات متعددة المجالات، ما يمكّن من أداء مهام تطبيقية متنوعة باستخدام 13 نموذجًا أساسيًا (backbone) للشبكات العصبية الرسومية، في استجابة لطلبات استرجاع مرنة. وباستخدام هذا الإطار الموحّد للمعيار، أصبح بإمكاننا تقديم تقييم شامل وعادل لأساليب GU. ومن خلال تجارب واسعة النطاق، تم التوصل إلى استنتاجات جوهرية حول الأساليب الحالية لـ GU، فضلًا عن اكتساب رؤى قيّمة حول قيودها، مما يُضيء على مسارات محتملة للبحث المستقبلي.