深度分析
圖形基礎模型（GFM）在節點屬性預測的公平評估：PFN 方案領先但成本較高
隨著圖形資料在各產業的廣泛應用，研究針對 9 種最新圖形基礎模型在節點屬性預測上的表現進行公平重評，比較了 PFN 方案與傳統 GNN，結果顯示只有 PFN 模型在預測精度上超越調校完善的 GNN，卻伴隨較高的推論成本。此評估使用 GraphLand 基準，涵蓋金融、社群與交通等實務圖形，證實 PFN 在精度上仍領先。
深度分析
隨著圖形資料在各產業的廣泛應用，研究針對 9 種最新圖形基礎模型在節點屬性預測上的表現進行公平重評，比較了 PFN 方案與傳統 GNN，結果顯示只有 PFN 模型在預測精度上超越調校完善的 GNN，卻伴隨較高的推論成本。此評估使用 GraphLand 基準，涵蓋金融、社群與交通等實務圖形，證實 PFN 在精度上仍領先。
深度分析
先驗適配網路在大型表格資料上受限於注意力成本，CRUMB 透過測試查詢聚類與最小化 MMD 的訓練子集選取，將上下文縮減至數十筆，同時保留預測精度，於 TabArena 基準測試中超越均勻抽樣與 MICP，且對共變漂移具韌性。此方法不需重新訓練模型，具備架構無關性，並能在測試端動態調整上下文規模，為大型表格 AI 應用提供更實用的推論方案。