В данном исследовании проводится тщательная переоценка девяти недавних графовых фундаментальных моделей (GFMs) для предсказания свойств узлов, чтобы устранить отсутствие единых стандартов оценки в этой области. Авторы сравнивают эти модели с сильными базовыми моделями графовых нейронных сетей (GNN), чтобы определить их относительную производительность и эффективность.
- Исследование оценивает девять недавних GFMs, специально разработанных для задач предсказания свойств узлов, которые имеют критическое значение для таких приложений, как обнаружение мошенничества и рекомендательные системы.
- В исследовании эти GFMs сравниваются с хорошо настроенными базовыми моделями GNN с использованием справедливой и строгой методологии, что позволяет проводить надежное сравнение.
- Выяснилось, что только самые недавние GFMs, основанные на парадигме Prior-data Fitted Networks, превосходят сильные базовые модели GNN по предсказательной производительности.
- Хотя модели на основе Prior-data Fitted Networks достигают превосходной точности, они делают это при более высоких затратах на вывод (инференс) по сравнению с базовыми моделями.
Результаты указывают на то, что, хотя новые архитектуры могут превосходить традиционные GNN, практикующим специалистам необходимо учитывать этот выигрыш в производительности по сравнению с возросшими вычислительными затратами при выборе моделей для реальных приложений.