摘要
针对链接预测任务，已有多种具备先进训练技术与模型设计的图神经网络（GNN）被提出。然而，使用过时的基线模型可能导致对新型方法实际优势的过度评估。为解决这一问题，本文通过精细调优超参数，并引入正交嵌入（orthogonal embedding）与线性传播（linear propagation）等技巧，系统性地探究了图自编码器（Graph Autoencoders, GAE）的潜力。研究结果表明，经过充分优化的GAE模型在性能上可媲美更为复杂的模型，同时具备更高的计算效率。
针对链接预测任务，已有多种具备先进训练技术与模型设计的图神经网络（GNN）被提出。然而，使用过时的基线模型可能导致对新型方法实际优势的过度评估。为解决这一问题，本文通过精细调优超参数，并引入正交嵌入（orthogonal embedding）与线性传播（linear propagation）等技巧，系统性地探究了图自编码器（Graph Autoencoders, GAE）的潜力。研究结果表明，经过充分优化的GAE模型在性能上可媲美更为复杂的模型，同时具备更高的计算效率。