지식 그래프 (Knowledge Graph, KG) 파운데이션 모델 (Foundation Models, KGFMs)은 제로샷 일반화 (zero-shot generalizer) 능력을 갖추고 있습니다. 즉, 한 번 학습되면 재학습 없이도 보지 못한 그래프에서 링크를 예측할 수 있습니다. 그러나 이 모델들이 언제, 어떻게 여러 KG에 걸쳐 견고하게 일반화될 수 있는지에 대한 이해는 여전히 미해결 과제로 남아 있습니다. 본 논문에서는 우리가 '하프 링크 (half-links)'라고 부르는, 부분적으로 관찰된 링크에 대해 보지 못한 KG에서의 성능이 균일하지 않다는 점을 강조하며 이들의 일반화 메커니즘을 조명합니다. 실제로 우리는 테스트 트리플 (test triple) $(h,r,t)$를 예측하기 위해 추론 그래프 (inference graph)에서 하프 링크 $(h,r)$ 또는 $(r,t)$를 관찰하는 것만으로도 실제로는 충분할 수 있음을 보여줍니다. 이를 통해 이러한 하프 링크들의 조합이 관찰되거나 관찰되지 않는 네 가지 시나리오에 대한 분류 체계 (taxonomy)를 도출합니다. 이러한 시나리오들에 대한 엄격한 층화 분석 (stratified analysis)을 통해, 우리는 최신 기술 (State-of-the-Art, SoTA) KGFM들이 예측을 위해 관찰된 하프 링크를 사용하는 반면, 관찰되지 않은 하프 링크는 서로 다른 과제를 제기한다는 것을 밝혀냅니다. 따라서 우리의 세분화된 분류 체계는 견고한 KGFM 일반화를 위한 진단 프로토콜 (diagnostic protocol)이 될 수 있으며, 새로운 KGFM이 개선될 수 있는 지점을 강조합니다.