Este estudio realiza una reevaluación rigurosa de nueve Modelos Fundacionales de Grafos (GFMs) recientes para la predicción de propiedades de nodos con el fin de abordar la falta de estándares de evaluación unificados en el campo. Los autores comparan estos modelos contra puntos de referencia sólidos de Redes Neuronales de Grafos (GNN) para determinar su rendimiento relativo y eficiencia.
- La investigación evalúa nueve GFMs recientes diseñados específicamente para tareas de predicción de propiedades de nodos, que son críticas para aplicaciones como la detección de fraude y los sistemas de recomendación.
- El estudio compara estos GFMs contra puntos de referencia GNN bien ajustados utilizando una metodología justa y rigurosa para permitir una comparación confiable.
- Solo se encontró que los GFMs más recientes basados en el paradigma de Redes Ajustadas a Datos Previos (Prior-data Fitted Networks) superaban a los sólidos puntos de referencia GNN en rendimiento predictivo.
- Si bien los modelos basados en Redes Ajustadas a Datos Previos logran una precisión superior, lo hacen a un costo de inferencia más alto en comparación con los puntos de referencia.
Los hallazgos indican que, si bien arquitecturas nuevas específicas pueden superar a las GNN tradicionales, los profesionales deben sopesar esta ganancia de rendimiento frente a los costos computacionales aumentados al seleccionar modelos para aplicaciones del mundo real.