메시지 전달 신경망(MPNNs)은 그래프 표현 학습 분야에서 {\em de facto} 표준으로 부상했다. 그러나 링크 예측과 같은 과제에서는 종종 단순한 히우리스틱 기법, 예를 들어 공통 이웃(Common Neighbor, CN)보다 성능이 떨어지는 경우가 많다. 이 격차는 근본적인 한계에서 비롯된다. 즉, MPNNs는 노드 수준의 표현 학습에서는 뛰어나지만, 링크 예측에 필수적인 공동 구조적 특징(예: CN)을 효과적으로 인코딩하지 못한다는 점이다. 이러한 격차를 메우기 위해, 본 연구에서는 입력 벡터의 직교성(orthogonality)을 활용할 경우 순수한 메시지 전달 방식으로도 공동 구조적 특징을 충분히 포착할 수 있다고 주장한다. 구체적으로, MPNNs가 CN 히우리스틱을 얼마나 잘 근사할 수 있는지에 대해 분석하였다. 본 연구의 분석 결과를 바탕으로, 새로운 링크 예측 모델인 메시지 전달 링크 예측기(Message Passing Link Predictor, MPLP)를 제안한다. MPLP는 준직교 벡터(quasi-orthogonal vectors)를 활용하여 링크 수준의 구조적 특징을 추정하면서도, 노드 수준의 복잡성을 유지한다. 또한 본 연구는 메시지 전달을 통해 구조적 특징을 포착하는 방식이 MPNN의 표현력 한계를 상쇄할 수 있음을 보여주며, 그 대가로 추정 변동성(estimated variance)이 증가할 수 있음을 지적한다. 다양한 분야의 벤치마크 데이터셋에서 수행한 실험 결과, 본 방법은 기존 기준 모델들을 일관되게 상회하는 성능을 보였다.