그래프 신경망(GNN)은 다양한 분야에서 뛰어난 성과를 거두었지만, 정보 전달 능력에 근본적인 한계가 있다. 특히, 멀리 떨어진 노드 간의 정보 교환이 효과적으로 이루어지지 않는 over-squashing 문제가 존재한다. 본 연구에서는 시공간 GNN(STGNN)에서 이 문제를 공식화하고, 정적 GNN과 비교하여 다른 특징을 보임을 밝혔다. 시간 차원이 정보 전달의 어려움을 증폭시킨다는 점에 주목하여, convolutional STGNN이 시간적으로 먼 지점으로부터의 정보 전달을 선호한다는 사실을 밝혀냈다. 또한, 시간-및-공간 또는 시간-다음-공간 처리 방식을 따르는 아키텍처가 동일하게 이 문제의 영향을 받는다는 것을 증명했다. 이는 계산 효율적인 구현에 대한 이론적 근거를 제공한다. 합성 데이터 및 실제 데이터셋을 통해 결과를 검증하고, 보다 효과적인 설계를 위한 지침을 제시한다.
