北京大学の馬唯碩氏らの研究チームは、グラフ自己符号化器（GAE）を基盤とするリンク予測モデルに対する普遍的な最適化手法を確立し、性能と効率の両立を実現した。この成果により、従来「古くさい」と見なされていたGAEモデルが、最新の高度なモデルと同等、あるいはそれを上回る性能を達成。特に、スタンフォード大が公開する大規模データセット「ogbl-ppa」において、ランキング第1位の成績を収めた。 研究の主な貢献は二つある。第一に、GAEのシンプルな構造を維持しつつ、現代的な最適化技術を統合することで、SOTA（最先端）レベルの性能を実現したこと。第二に、GAEを基盤とするモデルに普遍的に有効な技術群を体系的に抽出・整理し、AIコミュニティのモデル設計に指針を提供した点である。 審査プロセスでは、論文が「受容（accept）」と「強く受容（strong accept）」の評価を複数得ており、特に「単純なモデルを精緻に最適化すれば、複雑なモデルを上回る性能が得られる」という核心的な洞察が高く評価された。 この成果の実用的意義は、特に大規模な推薦システムや知識グラフ構築における導入可能性にある。従来、数十億のエッジを持つグラフを扱う際には、複雑な図神経ネットワーク（GNN）の計算コストが大きな障壁となっていた。しかし、最適化されたGAEは、計算効率が数十〜百倍向上し、大規模な実用化を可能にする。 研究の背景には、近年のGNNモデルが複雑化する中で、性能向上が「最適化の恩恵」に起因している可能性があるという懸念があった。多くの新規モデルは、古い基線モデル（未最適化）と比較されるが、実際には最新モデルは高度に最適化されている。この不均衡な比較により、モデルの革新性が過大評価されるリスクがあった。 馬氏らは、この問題に向き合い、10年前に提案されたGAEに注目。シンプルな構造を保ちつつ、線形畳み込み、パラメータチューニング、正交初期化などを導入し、その潜在能力を再評価。実験の結果、性能が大幅に向上し、データ漏洩の可能性も排除された。さらに理論的にも、正交初期化と線形伝播により、公共の近傍情報（重要な構造的特徴）が保持され、GAEの表現力制限を実質的に克服していることが示された。 この成果は、NeurIPSでの論文採択を経て、CIKMに正式採択。今後は、動的グラフへの拡張と、汎用図モデル（Graph Foundation Model）の設計への応用を検討する予定。 研究チームは、単なる構造の改良ではなく、基礎モデルの本質的な可能性を再考する姿勢が、真のイノベーションの鍵であると強調している。