不可学习图：保护图数据免受未授权利用

尽管图结构数据在各领域的应用日益普及，这也引发了对个人数据可能被未授权用于训练商业图神经网络（GNN）模型从而损害隐私的担忧。为解决此问题，我们提出一种生成不可学习图样本的新方法。通过我们的误差最小化结构投毒（EMinS）模块向图中注入迷惑性但难以察觉的噪声，我们能够使图不可被利用。值得注意的是，通过至多修改图数据中 $5\%$ 的潜在边，我们的方法在 COLLAB 数据集上成功将准确率从 ${77.33\%}$ 降至 ${42.47\%}$。