Dans cet article, nous comparons et analysons les performances de modèles de graphes probabilistes (PGM) exploitant des données structurées en graphes et des réseaux de neurones graphes (GNN) dans une tâche de prédiction de liens. Nous menons trois expériences principales sur des jeux de données de réseaux synthétiques et réels afin de comparer et d'analyser les changements de performances en termes de traitement des caractéristiques d'entrée, de robustesse aux caractéristiques bruitées et d'hétérogénéité accrue du graphe. En particulier, nous constatons que les PGM surpassent les GNN lorsque les caractéristiques des nœuds sont de faible dimension ou bruitées et lorsque l'hétérogénéité du graphe augmente. Outre la tâche de prédiction, nous comparons et analysons également les deux cadres en termes de complexité de calcul et d'interprétabilité.
