L’apprentissage automatique sur graphes est essentiel pour comprendre et analyser les données relationnelles. Toutefois, les applications sensibles à la vie privée exigent la capacité à supprimer efficacement les informations sensibles des réseaux de neurones sur graphes (GNN) entraînés, évitant ainsi les surcoûts inutiles en temps et en espace liés au re-entraînement des modèles depuis le début. Pour répondre à ce défi, l’« unlearning sur graphes » (Graph Unlearning, GU) est apparu comme une solution cruciale, capable de soutenir des mises à jour dynamiques des graphes dans les systèmes de gestion de données, tout en permettant un unlearning évolutif dans les systèmes distribués, tout en assurant la conformité aux exigences de confidentialité. Contrairement à l’unlearning dans le domaine de la vision par ordinateur ou d’autres domaines, le GU fait face à des difficultés spécifiques dues à la nature non euclidienne des données de graphe et au mécanisme récursif d’échange de messages des GNN. En outre, la diversité des tâches à la suite et la complexité des requêtes d’unlearning amplifient davantage ces défis. Malgré la multiplication des stratégies de GU proposées, l’absence d’un benchmark permettant des comparaisons équitables entre méthodes, ainsi que la faible flexibilité dans la combinaison des tâches à la suite et des requêtes d’unlearning, ont conduit à des évaluations incohérentes, freinant ainsi l’évolution de ce domaine. Pour combler cette lacune, nous présentons OpenGU, le premier benchmark dédié au GU, intégrant 16 algorithmes de pointe (SOTA) et 37 jeux de données multidomaines, permettant de réaliser diverses tâches à la suite avec 13 architectures de GNN de base, en réponse à des requêtes d’unlearning flexibles. Grâce à ce cadre unifié, nous pouvons offrir une évaluation exhaustive et équitable des méthodes de GU. À travers des expérimentations étendues, nous avons tiré des conclusions cruciales sur les méthodes existantes, tout en acquérant des perspectives précieuses sur leurs limites, ouvrant ainsi la voie à de nouvelles recherches futures.