北京大学马唯硕团队针对图自编码器（GAE）提出了一套普适性优化方案，显著提升了其在链路预测任务中的性能与效率。该研究发现，尽管GAE模型提出已有十余年，但其原始实现常因缺乏现代优化技术而被低估。通过系统性引入线性卷积、正交初始化、精细化参数调优及高效负采样策略等技术，团队在ogbl-ppa等大规模数据集上实现了Rank#1的领先表现，性能媲美甚至超越当前最先进模型，同时计算效率提升数十至百倍。这一成果表明，经过精心优化的简洁模型可在保持高效的同时达到顶尖性能，打破了“复杂模型必然更优”的惯性认知。 研究的核心贡献在于：一是构建了一个优化后的GAE基线，验证了基础架构的巨大潜力；二是归纳出一套适用于GAE类模型的通用优化范式，涵盖初始化、传播机制与训练流程，为后续模型设计提供了可复用的实践指南。审稿人高度评价该工作，认为“精心优化的简单模型可超越复杂模型”，并认可其原创性与方法论价值。该成果尤其对大规模图学习应用具有重要意义——在推荐系统等场景中，图结构常达数十亿边，传统复杂GNN模型难以部署，而优化后的GAE凭借低计算开销，成为更可行的规模化解决方案。 研究起源于团队对链路预测中效率与性能平衡的探索。此前研究聚焦负采样技术的高效性，促使团队反思：是否可通过优化而非堆叠复杂结构来提升性能？马唯硕作为本科实习生主导实验，通过消融分析发现，去除冗余模块后GAE仍表现优异，暗示其潜力被长期低估。随后，团队深入分析近五年主流模型的代码，提取关键优化组件并系统整合至GAE框架，再通过大规模实验确定最优配置。理论层面，研究揭示GAE通过正交初始化与线性传播可有效保留公共邻居等关键结构信号，从而突破其传统表达能力受限的局限，解释了性能跃升的内在机制。 该成果最初计划以报告形式发布，但在另一篇NeurIPS论文获得认可后，团队决定将其整理为会议论文投稿至CIKM，并获得“强接收”评价。这一过程反映出基础模型优化在当前AI研究中的重要性。研究团队未来将拓展至动态图学习与图基础模型方向，探索GAE类架构在时序图与多任务场景下的适应性，为构建通用图智能系统提供新思路。 业内专家指出，该工作重塑了对“简单模型”的认知，强调优化而非架构创新的重要性。在模型日益复杂化的趋势下，此类研究提醒AI社区回归基础，挖掘已有架构的深层潜力，对推动高效、可扩展的图学习技术落地具有深远意义。