理解圖世界模型中的展開誤差
該論文研究了圖世界模型（GWM）中的長期展開誤差。作者提出了一個統一固定邊和動態邊的GWM框架，並開發了圖值展開界限來分離拓撲和模型引起的放大效應。基於分析，他們提出了誤差感知GWM，結合頻譜正則化、展開一致性和關鍵節點加權。實驗表明，展開誤差和規劃遺憾隨地平線增長，動態邊訓練在結構演化時必不可少，而誤差感知GWM能防止長期發散並保持預測精度。
世界模型通常通過滾動學習到的動態來進行規劃。然而，許多規劃環境並非向量或圖像，而是由智能體、工具、技能、路徑和依賴關係組成的圖。在這種設定下，局部預測誤差可能停留在局部，也可能通過圖結構傳播，而當邊是預測而非固定時，失敗模式會進一步改變。這篇來自arXiv的論文（arXiv:2606.27780）系統性地研究了圖世界模型（Graph World Model, GWM）中的長期展開誤差問題。該研究由Xinyuan Song等人完成，目前正處於審稿階段。
研究者首先提出了一個統一的GWM框架，涵蓋了固定邊和動態邊兩種場景，並引入了動作節點以支持節點級、邊級和圖級決策。他們推導出了圖值展開界限，能夠將拓撲引起的誤差放大與模型本身引起的放大區分開來。此外，還設計了一種聯合節點-邊算子用於動態邊展開。基於理論分析，團隊提出了誤差感知GWM（Error-Aware GWM），該方法結合了頻譜正則化、展開一致性和關鍵節點權重分配。
實驗在多種合成拓撲和異構智能體圖測試平台上進行，結果表明：展開誤差和規劃遺憾隨預測步長增加而增長；當結構演變時，動態邊訓練是必要的；誤差感知GWM能有效防止長期發散，同時保持預測精度。在真實世界圖基準測試中，該研究進一步明確了GWM的適用範圍：它們最擅長動態圖展開和智能體規劃，而在靜態或稀疏預測任務上，專門的圖模型仍具有優勢。這項工作為圖結構環境中的規劃建模提供了重要的理論指導和實用工具。