用于节点属性预测的图基础模型的公平评估

由于图结构数据在工业和科学不同领域的广泛使用，图基础模型（GFM）的发展最近引起了广泛的关注。虽然许多不同类型的模型被称为 GFM，但人们对为节点属性预测任务设计的 GFM 特别感兴趣，这是 Graph ML 中最流行的设置之一，具有许多实际应用，从金融和社交网络中的欺诈检测到电子商务和用户生成内容平台的推荐系统。虽然最近提出了许多用于此任务的 GFM，但该领域尚未收敛到统一的评估设置，并且不同的工作以截然不同的方式评估其模型，从而妨碍了 GFM 之间以及与其他类型模型之间的可靠比较。在这项工作中，我们对最近 9 个用于节点属性预测的 GFM 进行了公平而严格的重新评估，并将它们与强大的图神经网络 (GNN) 基线进行比较。我们发现，在这些 GFM 中，只有基于先验数据拟合网络范式的最新 GFM 在预测性能方面优于经过良好调整的 GNN，尽管推理成本较高。