본 논문은 그래프 구조 데이터를 활용하는 확률적 그래프 모델(PGMs)과 그래프 신경망(GNNs)의 성능을 링크 예측 작업을 통해 비교 분석합니다. 합성 및 실제 네트워크 데이터셋에서 세 가지 주요 실험을 진행하여 입력 특징 처리, 잡음 특징에 대한 강건성, 그리고 그래프의 이종성 증가에 따른 성능 변화를 비교 분석했습니다. 특히, 노드 특징이 저차원이거나 잡음이 많은 경우, 그리고 그래프의 이종성이 높아지는 경우 PGMs가 GNNs보다 우수한 성능을 보임을 확인했습니다. 또한, 예측 작업 외에도 계산 복잡도와 해석 가능성 측면에서 두 프레임워크를 비교 분석했습니다.
