Справедливая оценка графовых фундаментальных моделей для предсказания свойств узлов

В данном исследовании проводится тщательная переоценка девяти недавних графовых фундаментальных моделей (GFMs) для предсказания свойств узлов, сравнивая их с сильными базовыми моделями графовых нейронных сетей (GNN), чтобы устранить отсутствие единых стандартов оценки в этой области.

• Исследование оценивает девять недавних GFMs, разработанных для задач предсказания свойств узлов.
• Эти модели сравниваются с сильными базовыми моделями графовых нейронных сетей (GNN).
• Лишь самые новые GFMs, основанные на парадигме Prior-data Fitted Networks, превосходят хорошо настроенные GNN.
• Лучшие GFMs достигают такой производительности при более высоких затратах на вывод.

Результаты показывают, что хотя некоторые новые GFMs могут превосходить традиционные GNN по точности предсказаний, это сопровождается увеличением вычислительных затрат во время вывода.