Benchmarking Redes Neurais Gráficas Espectrais: Um Estudo Abrangente sobre Eficácia e Eficiência

Com os recentes avanços em redes neurais gráficas (GNNs), as GNNs espectrais têm recebido crescente popularidade devido à sua especialidade em capturar sinais gráficos no domínio da frequência, demonstrando capacidade promissora em tarefas específicas. No entanto, poucos estudos sistemáticos foram conduzidos para avaliar suas características espectrais. Esta família emergente de modelos também varia em termos de designs e configurações, levando a dificuldades na comparação de seu desempenho e na decisão sobre o modelo adequado para cenários específicos, especialmente para tarefas de grande escala. Neste trabalho, realizamos uma extensa avaliação das GNNs espectrais com foco na perspectiva de frequência. Analisamos e categorizamos mais de 30 GNNs com 27 filtros correspondentes. Em seguida, implementamos esses modelos espectrais sob uma estrutura unificada com cálculos gráficos dedicados e esquemas de treinamento eficientes. Experimentos minuciosos são realizados nos modelos espectrais com métricas inclusivas sobre eficácia e eficiência, oferecendo diretrizes práticas para avaliar e selecionar GNNs espectrais com desempenho desejável. Nossa implementação possibilita a aplicação em gráficos maiores com desempenho comparável e menos sobrecarga, que está disponível em: https://github.com/gdmnl/Spectral-GNN-Benchmark.