Una evaluación justa de modelos fundacionales de grafos para la predicción de propiedades de nodos

Este estudio realiza una reevaluación rigurosa de nueve Modelos Fundacionales de Grafos (GFMs) recientes para la predicción de propiedades de nodos, comparándolos con líneas base sólidas de Redes Neuronales de Grafos (GNN) para abordar la falta de estándares de evaluación unificados en el campo.

• La investigación evalúa nueve GFMs recientes diseñados para tareas de predicción de propiedades de nodos.
• Estos modelos se comparan contra líneas base sólidas de Redes Neuronales de Grafos (GNN).
• Solo los GFMs más recientes basados en el paradigma de Redes Ajustadas a Datos Previos superan a las GNNs bien ajustadas.
• Los GFMs superiores logran este rendimiento a un mayor costo de inferencia.

Los hallazgos indican que, aunque ciertos GFMs más nuevos pueden superar a las GNNs tradicionales en precisión predictiva, vienen con costos computacionales aumentados durante la inferencia.