Understanding Rollout Error in Graph World Models
作者: Xinyuan Song, Zekun Cai
分类: cs.AI
发布日期: 2026-06-26
备注: Under Review
💡 一句话要点
提出错误感知图世界模型以解决长时间预测误差问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 图世界模型 长时间预测 动态边 错误感知 规划决策 谱正则化 关键节点加权
📋 核心要点
- 现有的世界模型在处理图结构时面临局部预测误差传播的问题，导致长时间预测的准确性下降。
- 论文提出了一种错误感知图世界模型，通过引入动态边和关键节点加权来改善长时间滚动误差。
- 实验表明，错误感知图世界模型在动态图环境中有效降低了滚动误差，并在多种测试基准上优于传统模型。
📝 摘要（中文）
世界模型通常通过向前滚动学习的动态进行规划。然而，许多规划环境并不是向量或图像，而是由代理、工具、技能、路线和依赖关系构成的图。在这些环境中，局部预测误差可能保持局部或在图中传播。本文研究了图世界模型中的长时间滚动误差，提出了一个统一的固定边和动态边的框架，并开发了图值滚动界限，区分了拓扑引起的放大与模型引起的放大。通过分析，提出了错误感知图世界模型，结合了谱正则化、滚动一致性和关键节点加权。实验结果表明，错误感知图世界模型在动态图滚动和代理规划中表现优异。
🔬 方法详解
问题定义：本文旨在解决图世界模型中的长时间滚动误差问题，现有方法在处理动态边时容易导致预测不准确，尤其是在图结构复杂的情况下。
核心思路：提出错误感知图世界模型（Error-Aware GWM），通过结合谱正则化、滚动一致性和关键节点加权，旨在减少长时间预测中的误差传播。
技术框架：该框架包括固定边和动态边的统一模型，采用动作节点进行节点、边和图级决策，开发图值滚动界限以区分不同类型的误差放大。
关键创新：引入了联合节点-边操作符用于动态边滚动，显著改善了长时间预测的稳定性和准确性，区别于传统的静态边模型。
关键设计：模型中采用了谱正则化来控制复杂度，设计了特定的损失函数以优化滚动一致性，并对关键节点进行了加权处理，以增强对动态结构的适应性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，错误感知图世界模型在多个合成拓扑和异构代理图测试基准上，滚动误差和规划后悔随着时间的增长而增加，但该模型有效防止了长时间的发散，保持了预测的准确性，优于传统模型。
🎯 应用场景
该研究的潜在应用领域包括动态网络分析、智能交通系统和多代理系统的规划与决策。通过提高长时间预测的准确性，错误感知图世界模型能够在复杂环境中提供更可靠的决策支持，具有重要的实际价值和未来影响。
📄 摘要（原文）
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.