論文の概要: Understanding Rollout Error in Graph World Models

• arxiv url: http://arxiv.org/abs/2606.27780v1
• Date: Fri, 26 Jun 2026 07:11:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.402219
• Title: Understanding Rollout Error in Graph World Models
• Title（参考訳）: グラフワールドモデルにおけるロールアウトエラーの理解
• Abstract要約: 本稿では,グラフワールドモデル(GWM)における長軸ロールアウト誤差について検討する。 我々は,ノード,エッジ,グラフレベル決定のためのアクションノードを備えた,統一された固定エッジおよび動的エッジGWMフレームワークを定式化する。 本稿では,スペクトル正則化,ロールアウト一貫性,臨界ノード重み付けを組み合わせた誤り認識GWMを提案する。
• 参考スコア（独自算出の注目度）: 2.571318992830046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World models are often used for planning by rolling learned dynamics forward. Many planning environments, however, are not vectors or images; they are graphs of agents, tools, skills, routes, and dependencies. In these settings, a local prediction error may stay local or spread through the graph, and the failure mode changes again when edges are predicted rather than fixed. This paper studies long-horizon rollout error in Graph World Models (GWMs). We formulate a unified fixed-edge and dynamic-edge GWM framework with action nodes for node-, edge-, and graph-level decisions. We develop graph-valued rollout bounds that separate topology-induced amplification from model-induced amplification, and we introduce a joint node-edge operator for dynamic-edge rollouts. Guided by the analysis, we propose Error-Aware GWM, which combines spectral regularization, rollout consistency, and critical-node weighting. Across synthetic topologies and heterogeneous agent-graph testbeds, rollout error and planning regret grow with horizon, dynamic-edge training is needed when structure evolves, and Error-Aware GWM prevents long-horizon divergence while preserving prediction accuracy. Real-world graph benchmarks clarify the scope of GWMs: they are most useful for dynamic graph rollout and agent planning, while specialized graph models remain strong on static or sparse prediction tasks.
• Abstract（参考訳）: 世界モデルは、学習したダイナミクスを前進させることによって計画にしばしば使用される。 しかし、多くの計画環境はベクトルやイメージではなく、エージェント、ツール、スキル、ルート、依存関係のグラフである。 これらの設定では、局所的な予測エラーがローカルに留まったり、グラフを通して拡散したりし、エッジが固定されるのではなく、エラーモードが再び変化する。 本稿では,グラフワールドモデル(GWM)における長時間のロールアウト誤差について検討する。 我々は,ノード,エッジ,グラフレベル決定のためのアクションノードを備えた,統一された固定エッジおよび動的エッジGWMフレームワークを定式化する。 本研究では,トポロジによる増幅とモデルによる増幅を分離するグラフ値付きロールアウトバウンダリを開発し,動的エッジロールアウトのためのジョイントノードエッジ演算子を提案する。 本稿では,スペクトル正則化,ロールアウト一貫性,臨界ノード重み付けを組み合わせたError-Aware GWMを提案する。 合成トポロジや不均一なエージェントグラフテストベッド、ロールアウトエラー、計画的後悔は水平方向に成長し、構造が進化するときに動的エッジトレーニングが必要であり、Error-Aware GWMは予測精度を保ちながら長距離の分岐を防止する。 GWMは動的グラフのロールアウトやエージェント計画に最も有用であるが、特殊なグラフモデルは静的またはスパースな予測タスクに強く依存している。

関連論文リスト

• Defending against Model Extraction for GNNs with Model Reprogramming [57.82196268649236]
  グラフニューラルネットワーク(GNN)は、ML(Machine-Learning-as-a-Service)における高スループットアプリケーションのバックボーンとして機能する。 それでも、ブラックボックスのデプロイメントは、モデル抽出(ME)攻撃に晒される。 既存の防衛は「ユークリッドバイアス」に苦しむ セキュリティのためにモデル再プログラミングを再利用するプロアクティブディフェンスフレームワークであるGraphRPを提案する。
  論文  参考訳（メタデータ） (2026-08-11T23:20:15Z)
• Scalable and Efficient Joint Spiking Embedding Predictive Architecture for Large-Scale Dynamic Graphs [43.39867023055097]
  SG-JEPAは,大規模動的グラフのための連成スパイキング埋め込み予測アーキテクチャである。 SG-JEPAはノードを時間次元に沿ってコンテキストとターゲットセットに分割し、互いに予測可能な埋め込みを学ぶ。 実験により、SG-JEPAはノード分類における差別的ベースラインよりも競争力や優れた性能を達成できることが示された。
  論文  参考訳（メタデータ） (2026-07-20T18:02:04Z)
• Enhancing LLMs for Graph Tasks via Graph-aware LoRA Generation [80.56829418752513]
  言語モデル(LM)は、統一された入出力インタフェースを通じて柔軟に一般化し、最近のタスクにLMを適応させる試みを動機付けている。 本稿では,LMをグラフタスクに適用するための新しい重みレベル情報注入パラダイムを提案する。 本稿では,グラフ対応LoRA生成モデルであるGaRAについて紹介する。
  論文  参考訳（メタデータ） (2026-06-21T10:40:33Z)
• Fine-Grained Graph Generation through Latent Mixture Scheduling [16.95910326345246]
  グラフ生成における微細構造制御のための条件付き変分オートエンコーダを提案する。 この手法は、グラフの忠実度と制御満足度の両方を改善するために、グラフおよびプロパティ駆動表現を動的に整列させることによりデコーダの潜伏空間を洗練する。
  論文  参考訳（メタデータ） (2026-05-04T16:23:01Z)
• Graph-RHO: Critical-path-aware Heterogeneous Graph Network for Long-Horizon Flexible Job-Shop Scheduling [26.97705087364345]
  Graph-RHOは、新しいクリティカルパス対応グラフベースのRHOフレームワークである。 マルチリレーショナルエッジを持つ演算マシングラフとしてサブプロブレムを符号化するトポロジ対応ヘテロジニアスグラフネットワークを提案する。 トレーニング中に誘導バイアスを注入し、高感度なボトルネック操作とロバストな操作を区別するクリティカルパス認識機構を組み込んだ。
  論文  参考訳（メタデータ） (2026-04-11T07:35:09Z)
• Graph Your Own Prompt [44.358377952850994]
  グラフ一貫性規則化(GCR)は、モデル予測から派生した関係グラフ構造を学習プロセスに注入するフレームワークである。 GCRは、よりクリーンな特徴構造、より強力なクラス内凝集、一般化を促進し、予測構造から学習する新しい視点を提供する。
  論文  参考訳（メタデータ） (2025-09-27T15:45:07Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• GALA: Graph Diffusion-based Alignment with Jigsaw for Source-free Domain Adaptation [13.317620250521124]
  ソースコードのないドメイン適応は、現実世界で多くのアプリケーションを含むため、重要な機械学習トピックである。 最近のグラフニューラルネットワーク(GNN)アプローチは、ドメインシフトとラベルの不足により、パフォーマンスが著しく低下する可能性がある。 本稿では, ソースフリーなグラフドメイン適応に適した Jigsaw (GALA) を用いたグラフ拡散に基づくアライメント法を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:32:46Z)
• Discrete Graph Auto-Encoder [52.50288418639075]
  離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。 まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。 2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
  論文  参考訳（メタデータ） (2023-06-13T12:40:39Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
  グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。 本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。 いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
  論文  参考訳（メタデータ） (2020-03-10T02:33:14Z)

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。