Cet article présente une analyse comparative complète et impartiale de l'efficacité, de la consommation mémoire et de l'efficience des réseaux de neurones graphes spectraux (GNN spectraux). Cette approche répond aux défis posés par la sélection de modèles spectraux adaptés à des données graphiques spécifiques et leur déploiement sur des graphes web à grande échelle, défis posés par la diversité des conceptions de modèles et des paramètres d'apprentissage des études précédentes. Dans cet article, nous analysons et catégorisons 35 GNN et 27 filtres comme filtres de graphes spectraux et les implémentons dans un cadre unifié et centré sur le spectre, permettant le déploiement de GNN spectraux sur des graphes à l'échelle d'un million d'échelles et diverses tâches. Grâce à des évaluations à différentes échelles de graphes, nous fournissons de nouvelles observations et des conseils pratiques sur leur efficacité et leur efficience. Nous éclairons également la complexité de l'efficacité et de l'efficience des filtres de graphes spectraux et suggérons des améliorations potentielles de performances grâce à une manipulation spectrale personnalisée.
