노드 속성 예측을 위한 그래프 파운데이션 모델 (Graph Foundation Models)의 공정한 평가

산업 및 과학의 다양한 분야에서 그래프 구조 데이터 (graph-structured data)가 널리 사용됨에 따라, 최근 그래프 파운데이션 모델 (Graph Foundation Models, GFMs)의 발전이 많은 관심을 끌고 있습니다. 다양한 유형의 모델들이 GFM으로 불리고 있지만, 특히 노드 속성 예측 (node property prediction) 작업을 위해 설계된 GFM에 특별한 관심이 집중되고 있습니다. 이는 금융 및 소셜 네트워크에서의 사기 탐지부터 이커머스 및 사용자 생성 콘텐츠 플랫폼을 위한 추천 시스템에 이르기까지, 수많은 실제 응용 사례를 가진 그래프 머신러닝 (Graph ML)의 가장 인기 있는 설정 중 하나입니다. 이 작업을 위한 다수의 GFM이 최근 제안되었으나, 해당 분야는 통일된 평가 설정으로 수렴하지 못했으며, 서로 다른 연구들이 모델을 매우 상이한 방식으로 평가하고 있어 GFM 간의 비교 및 다른 유형의 모델과의 신뢰할 수 있는 비교를 방해하고 있습니다. 본 연구에서는 노드 속성 예측을 위한 최근 9개의 GFM에 대해 강력한 그래프 신경망 (Graph Neural Network, GNN) 베이스라인과 비교하여 공정하고 엄격한 재평가를 수행합니다. 연구 결과, 이러한 GFM들 중에서 Prior-data Fitted Networks 패러다임에 기반한 가장 최신의 모델들만이 추론 비용 (inference cost)은 더 높지만, 예측 성능 면에서 잘 튜닝된 GNN을 능가한다는 것을 발견했습니다.