본 논문은 시공간 외부 분포(STOOD) 시나리오에서 일반화에 어려움을 겪는 시공간 그래프 신경망(STGNN)의 한계를 해결하기 위해, 검색 증강 학습을 STGNN 지속 학습 파이프라인에 통합하는 혁신적인 시공간 검색 증강 패턴 학습 프레임워크인 STRAP을 제안합니다. STRAP은 과거, 구조적, 의미적 정보가 풍부한 대표적인 시공간 패턴을 저장하는 컴팩트하고 표현력 있는 패턴 라이브러리를 핵심으로 합니다. 추론 중에는 현재 입력과의 유사성을 기반으로 라이브러리에서 관련 패턴을 검색하고 플러그 앤 플레이 프롬프팅 메커니즘을 통해 모델에 주입합니다. 이는 시공간 표현을 강화하고 급격한 망각을 완화할 뿐만 아니라, 새로운 정보와 검색된 지식을 조화시키는 지식 균형 목표를 도입합니다. 여러 실제 스트리밍 그래프 데이터 세트에 대한 광범위한 실험을 통해 STRAP이 STOOD 작업에서 최첨단 STGNN 기준 모델보다 일관되게 성능이 우수하며, 작업별 미세 조정 없이 강력한 일반화 기능, 적응성 및 견고성을 보여줍니다.
