Différents réseaux de neurones sur graphes (GNN) intégrant des techniques d’entraînement avancées et des architectures modèles innovantes ont été proposés pour les tâches de prédiction de liens. Toutefois, l’utilisation de modèles de base obsolètes peut entraîner une surestimation des avantages apportés par ces approches nouvelles. Afin de remédier à ce problème, nous étudions de manière systématique le potentiel des Autoencodeurs Graphiques (GAE) en effectuant une optimisation minutieuse des hyperparamètres ainsi qu’en exploitant la technique de représentation orthogonale et de propagation linéaire. Nos résultats montrent qu’un GAE soigneusement optimisé peut atteindre une performance équivalente à celle de modèles plus complexes, tout en offrant une efficacité computationnelle supérieure.