MUGEN：首个同时防御节点分类、图分类与链接预测的图数据不可学习框架
该框架从一份干净数据集生成单一扰动版本，通过共享图神经网络编码器和任务特定头保护所有启用任务，实验显示其扰动可跨骨干网络迁移。
AI解读：图数据像社交网络、分子结构或交易关系，一旦被公开或被第三方拿到，别人可能拿去做模型训练，数据所有者往往不知道会被用在哪种任务上。之前的方法只能针对单一任务加扰，比如只防节点分类，那攻击者换个图分类任务就能绕过去。MUGEN的思路是：不管对方想做节点分类、图分类还是链接预测，都用同一个扰动后的数据集训练，模型都学不到能泛化的规律。它靠TASO目标让扰动不只骗过任务预测，还破坏类别间的可分性，再通过TAP按节点属性的类型分别优化——离散属性用硬翻转、连续特征用梯度更新，所以两类数据都压得住。实验在五个基准、四个图神经网络骨干和三种任务上验证了扰动可跨骨架迁移，即使对方用对抗训练或数据增强也失效。对数据所有者来说，这意味着发布图数据前做一次MUGEN扰动，就能同时防住多种已知和未知用途，不必预先知道攻击者要做什么任务。但要注意，这只是论文结果，实际部署还需考虑扰动对数据合法用途的副作用以及攻击者模型与框架假设不符的情况。
亚利桑那州立大学的Ziyan Liu、Chengshuai Zhao和Huan Liu在arXiv上发表论文，提出MUGEN，自称是首个能同时为多种图学习任务生成不可学习示例（unlearnable examples）的框架。该论文于 2026 年 9 月 3 日更新至第二版（arXiv:2609.00696v2）。
方法：TASO与TAP分别解决任务覆盖和属性类型问题
MUGEN针对现有方法只能保护单一指定下游任务的问题。论文称，若只针对一个任务加扰，数据发布后在其他用途上（如节点分类、图分类或链接预测）仍可能被学习，而数据所有者无法预知会被用于哪种任务。
MUGEN从一份干净数据集生成一个单独的特征扰动版本，通过共享的GNN编码器和任务特定头来保护所有启用任务。其中，任务对齐可分性目标（TASO）利用任务预测和类间可分性来增强不可学习性及其在GNN骨干和任务间的迁移。类型自适应扰动（TAP）则针对节点属性类型调整扰动优化：对离散节点属性采用直接搜索可行硬翻转（只接受损失降低的更新），对连续节点特征采用定制梯度更新，从而在两种设置下都能保持强不可学习性。
实验结果
论文在五个基准、四种后端和三种学习范式上的实验表明，MUGEN生成的不可学习图示例可跨GNN骨干和全部三类任务迁移，并且在对抗训练和数据增强下仍然有效。
该论文为arXiv预印本，尚未经过同行评审。