論文の概要: Graph World Models: Concepts, Taxonomy, and Future Directions
- arxiv url: http://arxiv.org/abs/2604.27895v1
- Date: Thu, 30 Apr 2026 14:09:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-01 16:31:54.128409
- Title: Graph World Models: Concepts, Taxonomy, and Future Directions
- Title（参考訳）: グラフ世界モデル:概念、分類学、今後の方向性
- Authors: Jiawei Liu, Senqiao Yang, Mingjun Wang, Yu Wang, Bei Yu,
- Abstract要約: 本稿では,グラフワールドモデル(GWM)の概念の下で,新たなグラフベースワークを体系的に定式化し,統一する。
我々の知る限りでは、GWMはまだ明確に定義されておらず、統一研究パラダイムとして調査されている。
- 参考スコア（独自算出の注目度）: 21.0271660757056
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As one of the mainstream models of artificial intelligence, world models allow agents to learn the representation of the environment for efficient prediction and planning. However, classical world models based on flat tensors face several key problems, including noise sensitivity, error accumulation and weak reasoning. To address these limitations, many recent studies use graph structure to decompose the environment into entity nodes and interactive edges, and model virtual environments in a structured space. This paper systematically formalizes and unifies these emerging graph-based works under the concept of graph world models (GWMs). To the best of our knowledge, GWMs have not yet been explicitly defined and surveyed as a unified research paradigm. Furthermore, we propose a taxonomy based on relational inductive biases (RIB), categorizing GWMs by the specific structural priors they inject: (1) spatial RIB for topological abstraction; (2) physical RIB for dynamic simulation; and (3) logical RIB for causal and semantic reasoning. For each model category, we outline the key design principles, summarize representative models, and conduct comparative analyses. We further discuss open challenges and future directions, including dynamic graph adaptation, probabilistic relational dynamics, multi-granularity inductive biases, and the need for dedicated benchmarks and evaluation metrics for GWMs.
- Abstract（参考訳）: 人工知能の主流モデルの一つとして、エージェントは効率的な予測と計画のために環境の表現を学ぶことができる。
しかし、フラットテンソルに基づく古典的世界モデルは、ノイズ感度、エラー蓄積、弱い推論など、いくつかの重要な問題に直面している。
これらの制限に対処するため、近年の多くの研究では、環境をエンティティノードとインタラクティブエッジに分解し、構造化空間内の仮想環境をモデル化するためにグラフ構造を用いている。
本稿では,グラフワールドモデル (GWM) の概念の下で,これらの新たなグラフベースワークを体系的に定式化し,統一する。
我々の知る限りでは、GWMはまだ明確に定義されておらず、統一研究パラダイムとして調査されている。
さらに,関係帰納的バイアス(RIB)に基づく分類法を提案し,GWMを注入した特定の構造的先行要因によって分類する:(1)位相的抽象化のための空間的RIB,(2)動的シミュレーションのための物理的RIB,(3)因果的および意味論的推論のための論理的RIB。
各モデルカテゴリについて、主要な設計原則を概説し、代表モデルを要約し、比較分析を行う。
さらに、動的グラフ適応、確率的リレーショナルダイナミクス、多粒性誘導バイアス、GWMのための専用のベンチマークと評価指標の必要性など、オープンな課題と今後の方向性について論じる。
関連論文リスト
- The Trinity of Consistency as a Defining Principle for General World Models [106.16462830681452]
一般世界モデルは、客観的物理法則を学習し、シミュレートし、推論することができる。
本稿では,一般世界モデルに必要な基本的特性を定義するための理論的枠組みを提案する。
我々の研究は、現在のシステムの限界と将来の進歩のためのアーキテクチャ要件の両方を明確にし、一般的な世界モデルへの原則的な経路を確立します。
論文 参考訳（メタデータ） (2026-02-26T16:15:55Z) - Beyond MMD: Evaluating Graph Generative Models with Geometric Deep Learning [0.0]
グラフ生成モデル(GGM)は、現実的なグラフを生成する問題に対する有望な解決策として登場した。
本稿では,MMD(Maximum Mean Discrepancy)の限界を克服するGGMの評価手法を提案する。
本稿では,グラフリカレントアテンションネットワーク(GRAN)とグラフジェネレーティブモデル(EDGE)の総合評価を行う。
論文 参考訳（メタデータ） (2025-12-16T09:51:44Z) - Towards agent-based-model informed neural networks [0.5787117733071417]
エージェントベースモデルの基本原理と整合したニューラルネットワークを設計するためのフレームワークを提案する。
複雑さの増加に関する3つのケーススタディにまたがって、このフレームワークを検証する。
論文 参考訳（メタデータ） (2025-12-05T14:50:50Z) - Relational Learning in Pre-Trained Models: A Theory from Hypergraph Recovery Perspective [60.64922606733441]
我々は,関係学習をハイパーグラフリカバリとして形式化する数学的モデルを導入し,基礎モデル(FM)の事前学習について検討する。
我々のフレームワークでは、世界はハイパーグラフとして表現され、データはハイパーエッジからランダムなサンプルとして抽象化される。我々は、このハイパーグラフを復元するための事前学習モデル(PTM)の有効性を理論的に検証し、ミニマックスに近い最適スタイルでデータ効率を解析する。
論文 参考訳（メタデータ） (2024-06-17T06:20:39Z) - PGODE: Towards High-quality System Dynamics Modeling [40.76121531452706]
本稿では,エージェントが相互に相互作用して動作に影響を与えるマルチエージェント力学系をモデル化する問題について検討する。
最近の研究では、主に幾何学グラフを用いてこれらの相互相互作用を表現し、グラフニューラルネットワーク(GNN)によって捉えられている。
本稿では,プロトタイプグラフODE(Prototypeal Graph ODE)という新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-11-11T12:04:47Z) - Graph Foundation Models: Concepts, Opportunities and Challenges [66.37994863159861]
ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。
一般化と適応における基礎モデルの能力は、グラフ機械学習研究者を動機付け、新しいグラフ学習パラダイムを開発する可能性について議論する。
本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
論文 参考訳（メタデータ） (2023-10-18T09:31:21Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳（メタデータ） (2022-12-12T08:40:04Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳（メタデータ） (2021-05-17T15:33:25Z) - Contrastive Topographic Models: Energy-based density models applied to
the understanding of sensory coding and cortical topography [9.555150216958246]
計算・アルゴリズム・構造・機械的レベルでの視覚脳の機能解明を支援する理論モデルを構築することの課題に対処する。
論文 参考訳（メタデータ） (2020-11-05T16:36:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。