本研究では、動的グラフ上の空間的および時間的パターンを利用するグラフニューラルネットワーク（GNN）の性能向上を目的とした新しいフレームワーク「Evolving Graph Learning for Out-of-Distribution Generalization in Non-stationary Environments」（EvoOOD）を提案します。従来のGNNは、動的なシナリオにおける分布のシフトに対して一般化能力が乏しいため、環境の変化を考慮し、外部分布（OOD）における一般化においてその影響を探る必要があります。提案手法では、まず環境進化をモデル化する環境逐次変分オートエンコーダを設計し、次に、推測された分布を通じて環境の多様性に対応する不変パターンの認識メカニズムを導入します。最終的に、個々のノードに対して細かい因果介入を行います。このアプローチにより、特に非定常環境において、OOD予測のための空間時間的な不変パターンが識別できるようになります。実験結果は、EvoOODが実世界及び合成の動的データセットにおいて分布のシフト下で優れた性能を持つことを示しています。