본 논문은 모델이 의미적으로나 지각적으로 다른 범주 간에 속성 지식을 일반화할 수 있는지 여부를 연구한다. 기존 연구는 좁은 분류학적 또는 시각적으로 유사한 도메인 내에서 속성 예측을 다뤘지만, 현재 모델이 속성을 추상화하여 개념적으로 먼 범주에 적용할 수 있는지 여부는 불분명하다. 본 연구는 이러한 조건 하에서 속성 예측 작업의 견고성에 대한 최초의 명시적 평가를 제시하며, 모델이 관련 없는 객체 유형 간의 공유 속성을 올바르게 추론할 수 있는지 테스트한다. 이를 위해 LLM 기반 의미적 그룹화, 임베딩 유사성 임계값 설정, 임베딩 기반 클러스터링, 정답 레이블을 사용한 상위 범주 기반 분할을 기반으로 훈련 및 테스트 세트 간의 상관 관계를 점진적으로 줄이는 훈련-테스트 분할 전략을 제시한다.
