그래프 기계 학습(GML)은 관계형 데이터를 이해하고 분석하는 데 필수적이다. 그러나 개인정보 감수성 높은 응용 분야에서는 훈련된 그래프 신경망(GNN)에서 민감 정보를 효율적으로 제거할 수 있는 능력이 요구되며, 모델을 처음부터 다시 훈련해야 하는 불필요한 시간 및 공간 오버헤드를 피할 수 있어야 한다. 이러한 문제를 해결하기 위해 그래프 언러닝(Graph Unlearning, GU)이 주목받는 핵심 솔루션으로 부상하고 있다. GU는 데이터 관리 시스템에서 동적 그래프 업데이트를 지원하고, 분산 데이터 시스템에서 확장 가능한 언러닝을 가능하게 하면서도 개인정보 보호 규정을 준수할 수 있는 잠재력을 지닌다. 컴퓨터 비전 등 다른 분야의 머신 언러닝과 달리, GU는 그래프 데이터의 비유클리드적 특성과 GNN의 재귀적 메시지 전달 메커니즘으로 인해 고유한 도전 과제를 안고 있다. 게다가 하류 작업의 다양성과 언러닝 요청의 복잡성은 이러한 어려움을 더욱 악화시킨다. 다양한 GU 전략이 등장하고 있음에도 불구하고, GU에 대한 공정한 비교를 가능하게 하는 벤치마크의 부재와, 하류 작업과 언러닝 요청을 유연하게 조합할 수 있는 제한된 유연성은 평가의 일관성 부족을 초래하여 이 분야의 발전을 저해해왔다. 이러한 격차를 메우기 위해 우리는 OpenGU를 제안한다. OpenGU는 세계 최초의 GU 벤치마크로, 16개의 최신(GNN) 기법과 37개의 다영역 데이터셋을 통합하여, 13개의 GNN 백본을 활용해 다양한 하류 작업을 수행할 수 있으며, 유연한 언러닝 요청에 대응할 수 있도록 설계되었다. 이 통합 벤치마크 프레임워크를 기반으로, GU에 대한 종합적이고 공정한 평가를 수행할 수 있게 되었다. 광범위한 실험을 통해 기존 GU 기법에 대한 핵심적 결론을 도출하였으며, 그 한계에 대한 귀중한 통찰을 얻게 되었고, 향후 연구를 위한 잠재적인 방향성도 제시할 수 있었다.