Este artículo presenta una evaluación comparativa completa e imparcial de la eficiencia, el consumo de memoria y la efectividad de las redes neuronales de grafos espectrales (GNN espectrales). Este enfoque aborda los desafíos de seleccionar modelos espectrales apropiados para datos de grafos específicos e implementarlos en grafos web a gran escala, que han surgido debido a la diversidad de diseños de modelos y entornos de aprendizaje de estudios previos. En este artículo, analizamos y categorizamos 35 GNN y 27 filtros como filtros de grafos espectrales y los implementamos dentro de un marco unificado y centrado en el espectro, lo que permite la implementación de GNN espectrales en grafos de escala millonaria y diversas tareas. Mediante evaluaciones en diversas escalas de grafos, proporcionamos nuevas observaciones y orientación práctica sobre su efectividad y eficiencia. También ilustramos las complejidades de la efectividad y eficiencia de los filtros de grafos espectrales, y sugerimos posibles mejoras de rendimiento mediante la manipulación espectral personalizada.
