연구진은 시계열 지식 그래프(TKG) 예측 모델의 분포 변화 대응 능력을 평가하기 위해 합성 TKG 생성기를 활용했어요. TKG 생성기는 순환성, 동종성, 주기성을 데이터 생성 메커니즘으로 활용하여 7가지 예측 모델 아키텍처를 평가했어요. 실험 결과, 모델의 견고성은 데이터 특성에 크게 의존하며, 구조적 변화는 모델의 적응력을 제한하는 주요 요인으로 나타났어요.
순환성과 주기성은 정적 조건에서 비교적 잘 복구되지만, 구조적 변화는 모델의 적응력을 제한하며, 특히 잠재적 개체-커뮤니티 구조의 변화가 가장 큰 어려움을 야기했어요. 연구 결과는 현재 TKG 모델의 능력과 한계를 이해하는 데 기여할 수 있어요.
연구진은 TKG 예측 모델이 시간에 따른 분포 변화에 얼마나 잘 대응하는지 평가하기 위해 새로운 평가 환경을 구축하고, 다양한 모델 아키텍처의 성능을 비교 분석했어요.