El desaprendizaje automático en el aprendizaje federado de grafos debe satisfacer el requisito de indistinguibilidad a múltiples niveles de que la eliminación de un nodo objetivo sea indetectable a nivel del modelo global, del modelo local del cliente que realiza el desaprendizaje y de cada modelo local de los clientes no objetivo. Los métodos de desaprendizaje aproximado que superan auditorías basadas en la confianza pueden aún dejar trazas geométricas a través del desplazamiento de incrustaciones en uno o más de estos K+1 niveles. Formalizamos este requisito, introducimos una taxonomía de amenazas de cinco modelos y extendemos la auditoría de desplazamiento de incrustaciones Hub-Ripple a niveles globales, locales y entre clientes. A través de 31,900 ensayos que abarcan cinco benchmarks de grafos, cinco métodos de desaprendizaje federado y cuatro ablaciones suplementarias (valor K, manejo de bordes cruzados, muestreo de control y defensa DP-SGD), encontramos que todos los métodos aproximados fallan en el siguiente requisito a múltiples niveles: la brecha de confianza-incrustación persiste en 0.12 (frente a 0.35 centralizado), la filtración entre clientes se correlaciona con el conteo de bordes cruzados compartidos (r=0.56, p<10-160), y un participante federado supera a un auditor externo de caja blanca (AUC 0.83 frente a 0.81). El desaprendizaje a nivel de cliente es más detectable a nivel global que el desaprendizaje a nivel de nodo (AUC 0.81 frente a 0.77), contradiciendo la intuición de que una eliminación más gruesa produce una mayor privacidad. FedRetrain satisface la indistinguibilidad global y local, pero exhibe filtración residual entre clientes (Cross-Mean L2 AUC =0.62+/-0.04) porque la re-agregación en sí perturba el vector de parámetros global. Ningún método evaluado logra una completa indistinguibilidad a múltiples niveles. Estudios suplementarios confirman que esta es una propiedad estructural de FedAvg; DP-SGD reduce el Cross L2 AUC en solo 0.013 a costa de una caída del 79% en la precisión, y el intercambio de vecinos similar a FedSage no cambia el perfil de filtración. La auditoría geométrica a múltiples niveles, que abarca todos los K+1 modelos, es el umbral de evaluación necesario que cualquier método que afirme cumplir con la privacidad verificable debe satisfacer.