본 논문은 시간적 그래프 학습에서의 위치 인코딩(positional encoding) 개선에 초점을 맞추고 있다. 기존의 supra-Laplacian 기반 접근 방식의 높은 계산 비용, 이론적 이해 부족, 적용 시점 및 방법의 모호성 등의 문제점을 해결하기 위해, (1) supra-Laplacian 인코딩과 시간 슬라이스별 인코딩 간의 이론적 연결을 제시하고 추가적인 시간적 연결성 활용의 이점을 강조하며, (2) 계산 비용을 최대 56배까지 줄이는 새로운 방법을 제시하여 최대 50,000개의 활성 노드를 가진 그래프까지 확장성을 높이고, (3) 광범위한 실험 연구를 통해 어떤 모델, 작업 및 데이터 세트가 이러한 인코딩으로부터 가장 큰 이점을 얻는지 확인한다. 실험 결과, 위치 인코딩은 특정 시나리오에서 성능을 크게 향상시킬 수 있지만, 그 효과는 모델에 따라 다름을 보여준다.