시계열 그래프(Temporal graphs)의 생성 모델(Generative models)은 진화하는 네트워크의 한 구간에서 학습되어 다음 구간에 배포되며, 그 간극에서 성능이 심각하게 저하됩니다. 우리는 이러한 성능 저하가 유도 가능하며(derivable), 일반적이고, 관측(observations)만으로는 해결할 수 없음을 보여줍니다. 마스크 흐름 매칭 손실(masked flow-matching loss)은 독립성 가정 없이, 줄일 수 없는 엔트로피(irreducible entropy)와 학습 경로를 따른 미분값이 훈련 중에는 드물고 배포 시에는 흔한 구조에 대해 정확히 양수인 발산(divergence) 항으로 정확히 분해되며, 해당 구조의 훈련 확률이 0으로 수렴함에 따라 발산합니다. 경험적으로 이 트레이드오프(trade-off)는 지수가 $-0.605$인 거듭제곱 법칙(power law)을 따르며 ($R^2=0.9977$), 드리프트(drift)는 샘플러(sampler)의 에러 하한(error floor)을 높이지만 그 하한에 도달하는 단계의 수는 변화시키지 않습니다. 충분한 통계적 검정력을 가진 7가지 조건 전반에 걸쳐, 드리프트 기간의 한계 오차(marginal error)는 샘플링 예산(sampling budgets)이 $50 imes$ 범위에 걸쳐 변하더라도 최대 $6%$까지만 변하는 반면, 에러 하한은 학습 기간의 하한보다 $2.2\times$에서 $34.3\times$ 더 높게 형성됩니다. 배포 기간은 관측되므로, 교정은 단순히 측정의 문제처럼 보일 수 있습니다. 하지만 그렇지 않습니다. 우리는 과거의 관측에 대해 측정 가능한 어떠한 교정기(corrector)라도 자신이 추적하는 통계량의 조건부 분산(conditional variance)만큼의 오차는 남긴다는 점과, 추세 외삽(trend extrapolation)이 마지막 관측값을 신뢰하는 것보다 나은 경우는 오직 $\mu^2 > v(1-2\rho)$일 때뿐임을 증명합니다. 두 전제 모두 측정 가능하지만 두 가지 모두 잘못된 방향으로 작용합니다. 즉, 드리프트는 추세가 없고 평균 회귀(mean-reverting)적이며, 1단계 혁신(one-step innovation)의 크기가 드리프트 자체만큼 큽니다. 오라클(oracle)은 오차의 $60%$를 제거하지만, 최선의 관측 기반 교정기는 그중 $5.7%$만을 회복하며, 외삽은 아무런 영리한 조치를 취하지 않는 것보다 엄격하게 더 나쁩니다.