Verschiedene Graph Neural Networks (GNNs) mit fortgeschrittenen Trainingsverfahren und Modellarchitekturen wurden für Aufgaben der Link-Vorhersage vorgeschlagen. Dennoch können veraltete Baseline-Modelle zu einer Überschätzung der Vorteile dieser neuartigen Ansätze führen. Um dies zu adressieren, untersuchen wir systematisch das Potenzial von Graph Autoencodern (GAE) durch sorgfältige Abstimmung von Hyperparametern sowie die Nutzung des Tricks der orthogonalen Embedding und linearen Propagation. Unsere Ergebnisse zeigen, dass ein gut optimierter GAE die Leistung komplexerer Modelle erreichen kann, gleichzeitig aber eine deutlich höhere rechnerische Effizienz bietet.