論文の概要: Beyond Static Graph World Models: Learning Stochastic Latent Dynamics over Evolving Topologies

• arxiv url: http://arxiv.org/abs/2609.28670v1
• Date: Wed, 23 Sep 2026 18:10:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.480115
• Title: Beyond Static Graph World Models: Learning Stochastic Latent Dynamics over Evolving Topologies
• Title（参考訳）: 静的グラフ世界モデルを超えて: 進化するトポロジよりも確率論的潜在ダイナミクスを学ぶ
• Abstract要約: グラフダイナミクスモデル(グラフダイナミクスモデル、GDM)は、グラフ構造観測のための世界モデルである。 グラフや部分的に観測可能な環境におけるトポロジのより一般的な設定を扱うように設計されている。 GDMは、更新をモデル化し、メッセージパッシングを実行するためにスパース・リカレント・アジャケーシ・マトリックスを使用し、遷移をモデル化するための再カレント・ステートスペース・アーキテクチャも備えている。
• 参考スコア（独自算出の注目度）: 11.766297605964384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-based world models have recently emerged as a means of learning transitions over relational state representations. However, existing approaches are largely limited to fixed-topology graphs or deterministic, fully observable environments. We propose the Graph Dynamics Model (GDM), a world model for graph-structured observations that is designed to handle the more general setting of evolving topologies in stochastic and partially observable environments. The GDM uses a sparse recurrent adjacency matrix to model topology updates and perform message passing, together with a recurrent state-space architecture for modelling stochastic transitions. Furthermore, we identify a gap in the evaluation of graph-based world models, as existing methods do not provide a means of comparing predicted and true distributions over the joint graph state comprising the interdependent topology, node features, and graph features. We therefore introduce the Graph Distribution Distance (GDD) metric, which uses maximum mean discrepancy with a graph kernel to comprehensively compare joint next-state distributions. We evaluate the GDM across several environments, including stochastic and partially observable settings. We demonstrate that GDM outperforms baseline models and displays zero-shot generalisation on large graphs.
• Abstract（参考訳）: グラフベースの世界モデルは、リレーショナルステート表現よりも遷移を学ぶための手段として最近登場した。 しかし、既存のアプローチは固定トポロジーグラフや決定論的で完全に観測可能な環境に限られている。 確率的かつ部分的に観測可能な環境におけるトポロジのより一般的な設定を扱うために設計されたグラフ構造化観測のための世界モデルであるグラフダイナミクスモデル(GDM)を提案する。 GDMは、トポロジー更新をモデル化し、メッセージパッシングを実行するためにスパース・リカレント・アジャケーシ・マトリックスを使用し、確率遷移をモデル化するための再カレント・ステート・スペース・アーキテクチャを使用する。 さらに,従来の手法では,相互依存トポロジ,ノード特徴,グラフ特徴を含むジョイントグラフ状態上の予測分布と真の分布を比較する手段を提供していないため,グラフベースの世界モデルの評価におけるギャップを識別する。 そこで我々は,グラフカーネルとの平均誤差を最大化して,連立次状態分布を包括的に比較するグラフ分散距離(GDD)メトリクスを導入する。 確率的および部分的に観測可能な設定を含む,複数の環境におけるGDMの評価を行った。 GDMはベースラインモデルより優れ、大きなグラフ上でゼロショットの一般化を示す。

関連論文リスト

• 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)
• 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)
• LLM-Based Multi-Agent Systems are Scalable Graph Generative Models [73.28294528654885]
  GraphAgent-Generator (GAG) は動的でテキスト対応のソーシャルグラフ生成のための新しいシミュレーションベースのフレームワークである。 GAGは、ゼロショットソーシャルグラフ生成のための時間ノードとエッジ生成プロセスをシミュレートする。 得られたグラフは7つの主要なマクロ的ネットワーク特性に付着し、微視的グラフ構造測定において11%の改善が達成される。
  論文  参考訳（メタデータ） (2024-10-13T12:57:08Z)
• Latent Graph Inference using Product Manifolds [0.0]
  遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。 我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-11-26T22:13:06Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• Generating the Graph Gestalt: Kernel-Regularized Graph Representation Learning [47.506013386710954]
  グラフデータの完全な科学的理解は、グローバル構造とローカル構造の両方に対処する必要がある。 本稿では,グラフVAEフレームワークにおける相補的目的として,両者のジョイントモデルを提案する。 実験により,生成したグラフ構造の現実性は,典型的には1-2桁のグラフ構造メトリクスによって著しく向上したことが示された。
  論文  参考訳（メタデータ） (2021-06-29T10:48:28Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。