시간 그래프 생성에서 분포 변화를 언제 수정할 수 있는가? 샤프닝-변화 긴장 및 관측 기반 수정의 불가능성에 대한 연구

When Can You Correct Distribution Drift in Temporal Graph Generation? A Sharpening--Drift Tension and an Impossibility for Observation-Based Correction

시간적 그래프 생성 모델은 진화하는 네트워크의 특정 구간으로 학습되고 다음 구간에 적용되지만, 이 두 구간 사이에서는 성능이 급격히 저하됩니다. 본 논문에서는 이러한 성능 저하가 관측 결과로부터 예측 가능하며, 일반적인 현상이며, 관측 데이터만으로는 수정할 수 없음을 보입니다. 마스크된 흐름 일치 손실은 독립성 가정 없이 정확하게 분해되며, 이는 줄일 수 없는 엔트로피와 양의 미분 값을 갖는 발산으로 구성됩니다. 이 값은 학습 단계에서 드물게 나타나지만 배포 단계에서는 흔히 발생하는 구조에 대해 훈련 확률이 0에 가까워질수록 증가합니다. 실증적으로 이러한 절충 관계는 지수 -0.605를 갖는 거듭제곱 법칙을 따르며 ($R^2=0.9977$). 분포 변화는 샘플링 오류의 기본 수준을 높이지만, 목표 달성에 필요한 단계 수는 변경하지 않습니다. 7가지 다양한 조건에서, 분포 변화 기간 동안의 주변 오차는 샘플링 예산 범위가 $50 imes$ 변동하는 경우에도 최대 $6%$ 이내로 유지되는 반면, 기본 오류 수준은 초기 수준보다 $2.2 imes$ 에서 $34.3 imes$ 더 높습니다. 배포 기간이 관측 가능하기 때문에, 수정은 측정의 문제처럼 보일 수 있습니다. 그러나 이는 사실이 아닙니다. 과거 관측 데이터로 측정이 가능한 모든 수정 방법은 추적하는 통계량의 조건부 분산을 최소한으로 남기며, 추세 외삽법은 마지막 관측값만 신뢰할 때보다 $μ^2>v(1-2ρ)$ 인 경우에만 더 나은 성능을 보입니다. 이러한 가정들은 모두 측정 가능하지만, 두 가지 모두 예상과 반대로 작동합니다. 분포 변화는 추세를 따르지 않으며 평균 회귀 현상을 보이며, 한 단계의 변동성이 전체적인 변화량만큼 큽니다. 이상적인 수정 방법은 오류의 $60%$를 제거하는 반면, 가장 좋은 관측 기반 수정 방법은 그 중 $5.7%$ 만 복구하며, 추세 외삽법은 아무런 지혜를 부리지 않는 것보다 성능이 훨씬 떨어집니다.

Generative models of temporal graphs are trained on one stretch of an evolving network and deployed on the next, and they degrade badly in the gap. We show this degradation is derivable, general, and not fixable from observations. The masked flow-matching loss decomposes exactly, with no independence assumption, into an irreducible entropy plus a divergence whose derivative along the training path is positive precisely for structures rare during training and common at deployment, diverging as their training probability goes to zero. Empirically the trade-off is a power law with exponent $-0.605$ ($R^2=0.9977$), and drift raises the sampler's error floor without changing how many steps reach it: across seven well-powered conditions the drift-period marginal error varies by at most $6\%$ over a $50\times$ range of sampling budgets, while the floor sits $2.2\times$ to $34.3\times$ above the in-period floor. Because the deployment period is observed, correction looks like a matter of measurement. It is not. We prove that any corrector measurable with respect to past observations leaves at least the conditional variance of the statistic it tracks, and that trend extrapolation beats trusting the last observation only when $μ^2>v(1-2ρ)$. Both premises are measurable and both go the wrong way: the drift is trendless and mean-reverting, with a one-step innovation as large as the drift itself. An oracle removes $60\%$ of the error, the best observation-based corrector recovers $5.7\%$ of that, and extrapolation is strictly worse than doing nothing clever.