Graph Machine Learning ist entscheidend für das Verständnis und die Analyse relationaler Daten. Doch bei datenschutzrelevanten Anwendungen ist die effiziente Entfernung sensibler Informationen aus bereits trainierten Graph Neural Networks (GNNs) erforderlich, um die unnötige Zeit- und Speicherbelastung durch eine Neustrukturierung von Modellen von Grund auf zu vermeiden. Um dieses Problem anzugehen, ist Graph Unlearning (GU) als zentrale Lösung hervorgetreten, die das dynamische Aktualisieren von Graphen in Datenmanagementsystemen unterstützen und skalierbares Unlearning in verteilten Daten-Systemen ermöglichen kann, während gleichzeitig Datenschutzanforderungen erfüllt werden. Im Gegensatz zum Machine Unlearning in der Computer Vision oder anderen Bereichen stellt GU aufgrund der nicht-Euklidischen Struktur graphenbasierter Daten und des rekursiven Nachrichtenaustauschmechanismus in GNNs besondere Herausforderungen dar. Zudem verstärken die Vielfalt der nachgeschalteten Aufgaben und die Komplexität der Unlearning-Anfragen diese Schwierigkeiten zusätzlich. Trotz der Vielzahl unterschiedlicher GU-Strategien fehlt es bisher an einem Benchmark, der faire Vergleiche für GU ermöglicht, und die begrenzte Flexibilität bei der Kombination nachgeschalteter Aufgaben mit Unlearning-Anfragen führt zu inkonsistenten Bewertungen, was die Entwicklung dieses Forschungsfeldes behindert. Um diese Lücke zu schließen, präsentieren wir OpenGU, den ersten GU-Benchmark, der 16 state-of-the-art GU-Algorithmen und 37 multidisziplinäre Datensätze integriert und somit verschiedene nachgeschaltete Aufgaben mit 13 GNN-Backbones ermöglicht, wenn flexible Unlearning-Anfragen gestellt werden. Auf Basis dieses einheitlichen Benchmark-Frameworks können wir eine umfassende und faire Evaluation von GU durchführen. Durch umfangreiche Experimente ziehen wir entscheidende Schlussfolgerungen zu bestehenden GU-Methoden und gewinnen wertvolle Erkenntnisse über deren Grenzen, wodurch neue Perspektiven für zukünftige Forschungsarbeiten aufgezeigt werden.