En este artículo, comparamos y analizamos el rendimiento de los modelos de grafos probabilísticos (PGM) que aprovechan datos estructurados en grafos y redes neuronales de grafos (GNN) en una tarea de predicción de enlaces. Realizamos tres experimentos principales con conjuntos de datos de redes sintéticas y reales para comparar y analizar los cambios en el rendimiento en términos de procesamiento de características de entrada, robustez a características ruidosas y mayor heterogeneidad del grafo. En particular, observamos que los PGM superan a las GNN cuando las características de los nodos son de baja dimensión o ruidosas, y cuando aumenta la heterogeneidad del grafo. Además de la tarea de predicción, también comparamos y analizamos ambos marcos en términos de complejidad computacional e interpretabilidad.
