論文の概要: WorldGraph: Graph-Native World Modeling

• arxiv url: http://arxiv.org/abs/2609.34159v1
• Date: Mon, 28 Sep 2026 02:37:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 06:22:05.668355
• Title: WorldGraph: Graph-Native World Modeling
• Title（参考訳）: WorldGraph: Graph-Native World Modeling
• Abstract要約: 世界モデルは、環境の潜在状態を推定し、その基盤となるダイナミクスを捉え、将来の進化を予測する。 グラフの進化そのものが世界力学を構成するグラフワールドモデリング(GWM)について研究する。 マルチグラニュラリティ構造と遷移条件付き進化モデリングのための状態認識グラフ変換器を組み合わせたWorldGraphを提案する。
• 参考スコア（独自算出の注目度）: 19.50373288054965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World models infer latent states of an environment to capture its underlying dynamics and predict future evolution. Many real-world environments, however, are inherently relational and observed as evolving graphs, where entities, relations, and their properties change over time. Prior graph-related world models use graph structures to organize internal states or support task-specific reasoning, rather than treating an evolving graph itself as the modeled world. We instead study graph world modeling (GWM), where graph evolution itself constitutes the world dynamics. We formulate graph world modeling over observed graph evolution, latent graph states, and heterogeneous graph-transition predictions. Based on this formulation, we construct GWM-Zero, a benchmark covering node-, edge-, and graph-level transitions over eight temporal graph datasets. We propose WorldGraph, which combines a state-aware graph transformer for multi-granularity structural and transition-conditioned evolution modeling with transition-aware GRPO using dynamic grouping and structure-aware verifiable rewards. Extensive experiments on GWM-Zero show that WorldGraph consistently outperforms representative graph representation, temporal graph learning, graph pretraining, and graph world-model baselines across all three transition granularities.
• Abstract（参考訳）: 世界モデルは、環境の潜在状態を推定し、その基盤となるダイナミクスを捉え、将来の進化を予測する。 しかし、多くの実世界の環境は本質的にリレーショナルであり、実体、関係、およびそれらの性質が時間とともに変化する進化するグラフとして観察される。 従来のグラフ関連世界モデルは、進化するグラフ自体をモデル化された世界として扱うのではなく、内部状態の整理やタスク固有の推論をサポートするためにグラフ構造を使用する。 グラフの進化そのものが世界力学を構成するグラフワールドモデリング(GWM)について研究する。 我々は、観測されたグラフの進化、潜在グラフ状態、および異種グラフ遷移予測に関するグラフ世界モデリングを定式化する。 この定式化に基づいて、8つの時間グラフデータセット上のノードレベル、エッジレベル、グラフレベルの遷移をカバーするベンチマークであるGWM-Zeroを構築した。 動的グルーピングと構造認識検証可能な報酬を用いた遷移認識GRPOを用いた多粒性構造および遷移条件進化モデリングのための状態認識グラフ変換器を結合したWorldGraphを提案する。 GWM-Zeroの大規模な実験により、WorldGraphは3つの遷移の粒度全体にわたって、グラフ表現、時間グラフ学習、グラフ事前学習、グラフワールドモデルベースラインを一貫して上回っていることが示された。

関連論文リスト

• Beyond Static Graph World Models: Learning Stochastic Latent Dynamics over Evolving Topologies [11.766297605964384]
  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。
  論文  参考訳（メタデータ） (2026-09-23T18:10:56Z)
• Learning Time-Varying Graph Signals via Koopman [17.357706885280695]
  時間変動グラフデータを扱うために,Koopman Autoencoder (KAE) に基づくフレームワークを提案する。 進化するグラフ構造をキャプチャするために、グラフデータをまずグラフ埋め込みを通じてベクトル時系列に変換する。 この潜在空間において、KAEはグラフ特徴の時間的進化を規定する基礎となる非線形力学を学ぶために適用される。
  論文  参考訳（メタデータ） (2025-11-09T18:33:39Z)
• What Do LLMs Need to Understand Graphs: A Survey of Parametric Representation of Graphs [69.48708136448694]
  大規模言語モデル(LLM)は、期待される推論能力と推論能力のために、AIコミュニティで再編成されている。 我々は、グラフのこのようなパラメトリック表現、グラフ法則は、LLMがグラフデータを入力として理解させるソリューションであると信じている。
  論文  参考訳（メタデータ） (2024-10-16T00:01:31Z)
• OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
  グラフニューラルネットワーク(GNN)は、構造情報を符号化するための有望な技術として登場した。 主な課題は、異なる性質を持つグラフデータを一般化することの難しさである。 この課題に対処するために,OpenGraphと呼ばれる新しいグラフ基盤モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-02T08:05:03Z)
• When Graph Data Meets Multimodal: A New Paradigm for Graph Understanding and Reasoning [54.84870836443311]
  本稿では,画像エンコーディングとマルチモーダル技術を統合することで,グラフデータの理解と推論を行う新しいパラダイムを提案する。 このアプローチは, GPT-4Vの高度な機能を利用して, 命令応答形式によるグラフデータの理解を可能にする。 研究は、このパラダイムを様々なグラフタイプで評価し、特に中国のOCRパフォーマンスと複雑な推論タスクにおいて、モデルの強みと弱みを強調した。
  論文  参考訳（メタデータ） (2023-12-16T08:14:11Z)
• Time-aware Dynamic Graph Embedding for Asynchronous Structural Evolution [60.695162101159134]
  既存の作業は、動的グラフを変更のシーケンスとして見るだけである。 動的グラフを接合時間に付随する時間的エッジシーケンスとして定式化する。 頂点とエッジのタイムパン 組み込みにはタイムアウェアなTransformerが提案されている。 vertexの動的接続と学習へのToEs。 頂点表現
  論文  参考訳（メタデータ） (2022-07-01T15:32:56Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• 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)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)
• EvoNet: A Neural Network for Predicting the Evolution of Dynamic Graphs [26.77596449192451]
  動的グラフの進化を予測するモデルを提案する。 具体的には、動的グラフの時間的進化パターンを捉えるために、グラフニューラルネットワークと繰り返しアーキテクチャを使用します。 提案手法は,ネットワークの進化にともなう複数の人工データセットと実世界のデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-03-02T12:59:05Z)

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。