リンク予測タスクに向け、高度な学習手法およびモデル設計を備えた多数のグラフニューラルネットワーク（GNN）が提案されてきた。しかし、古くなったベースラインモデルを使用すると、これらの新規アプローチの効果が過大評価される可能性がある。この問題に対処するため、本研究ではグラフオートエンコーダー（GAE）の潜在能力を体系的に検証した。具体的には、ハイパーパラメータの詳細なチューニングと直交埋め込み（orthogonal embedding）および線形伝播（linear propagation）のテクニックを活用した。その結果、適切に最適化されたGAEは、より複雑なモデルと同等の性能を達成しつつ、より高い計算効率を実現できることが明らかになった。