モデルベースの計画では、学習したダイナミクスを未来にロールアウトすることで世界モデルを利用する。しかし、多くの計画環境はベクトルや画像ではなく、エージェント、ツール、スキル、ルート、依存関係からなるグラフである。このような設定では、局所的な予測誤差が局所にとどまる場合もあれば、グラフ全体に伝播する場合もあり、さらにエッジが固定ではなく予測される場合には失敗モードが再び変化する。本論文は、グラフ世界モデル（Graph World Models, GWM）における長期的なロールアウト誤差を研究する。
著者らはまず、固定エッジと動的エッジの両方を扱う統一的なGWMフレームワークを定式化し、ノードレベル、エッジレベル、グラフレベルの意思決定を可能にするアクションノードを導入する。これにより、ロールアウト中の誤差の進展を分析するための形式的基盤が提供される。その上で、グラフ値のロールアウト誤差限界を導出し、誤差増幅をトポロジー構造に起因する成分とモデル自体に起因する成分に分離する。この分解により、誤差伝播における構造とモデルの寄与をそれぞれ理解できる。
動的エッジのロールアウトに対しては、ノードとエッジの同時進化をより正確にモデル化するため、結合ノード・エッジ演算子を導入する。理論分析に基づき、著者らはError-Aware GWMを提案する。この手法は、スペクトル正則化、ロールアウト一貫性制約、重要ノード重み付けを組み合わせる。スペクトル正則化はグラフ周波数領域での誤差増大を抑制し、ロールアウト一貫性は多段予測と真の軌跡の整合性を促し、重要ノード重み付けは影響の大きいノードに高い重要性を与える。
合成トポロジーと異種エージェントグラフのテストベッドでの実験により、ロールアウト誤差と計画後悔は予測ホライズンとともに増大すること、構造が変化する場合には動的エッジ訓練が必要であること、そしてError-Aware GWMが予測精度を維持しながら長期的な発散を防ぐことが示された。さらに、実世界のグラフベンチマークはGWMの適用範囲を明らかにする。すなわち、GWMは動的グラフのロールアウトとエージェント計画に最も有用であり、静的または疎な予測タスクでは特化型グラフモデルが依然として強い。本論文はarXivプレプリントとして公開され、現在査読中である。