Este artículo destaca que la efectividad de las técnicas de aprendizaje sofisticadas y arquitecturas de modelos publicadas recientemente en redes neuronales de grafos (GNN) para la predicción de enlaces puede ser exagerada en comparación con modelos de referencia más antiguos. Para abordar esto, exploramos sistemáticamente los GAE mediante la aplicación de técnicas independientes del modelo utilizadas en métodos de vanguardia para autocodificadores de grafos (GAE) y el ajuste de hiperparámetros. Observamos que los GAE bien ajustados se desempeñan de manera similar a los modelos sofisticados recientes, a la vez que ofrecen una eficiencia computacional superior. Específicamente, logramos mejoras significativas en el rendimiento en conjuntos de datos con información estructural dominante y datos de características limitados, alcanzando una puntuación de Hits@100 de vanguardia del 78,41% en el conjunto de datos ogbl-ppa. También analizamos el impacto de diversas técnicas para dilucidar las razones de su éxito y sugerir futuras direcciones. Este estudio destaca la necesidad de actualizar los modelos de referencia para evaluar con mayor precisión el progreso de las GNN para la predicción de enlaces.
