본 논문은 최신 링크 예측(Link Prediction, LP) 모델들이 벤치마크 데이터셋에서 우수한 성능을 보이지만, 실제 상황에서는 훈련, 검증, 테스트 샘플들이 전체 데이터셋 분포를 대표하지 않는다는 문제점을 지적합니다. 기존 연구들이 주로 노드 및 그래프 수준의 작업에 집중한 반면, 본 논문은 링크 수준 작업에 대한 데이터셋 이동(dataset shift) 문제를 다룹니다. 이를 해결하기 위해, 구조적 특성을 이용하여 제어된 분포 이동을 유도하는 새로운 분할 전략인 LPShift를 제안합니다. 16가지 LPShift 변형을 통해 기존 데이터셋 분할에 대한 최첨단 LP 모델의 실험적 평가를 수행하여 모델 성능의 극적인 변화를 보여주고, 그래프 구조가 일반화 방법의 성공에 큰 영향을 미친다는 것을 추가 실험을 통해 입증합니다.
