了解图世界模型中的推出错误

arXiv:2606.27780v1 公告类型：新 摘要：世界模型通常用于通过向前滚动学习的动态来进行规划。然而，许多规划环境并不是矢量或图像，而是矢量或图像。它们是代理、工具、技能、路线和依赖关系的图表。在这些设置中，局部预测误差可能保持在局部或在图形中传播，并且当边缘被预测而不是固定时，故障模式会再次发生变化。本文研究了图世界模型（GWM）中的长范围推出误差。我们制定了一个统一的固定边缘和动态边缘 GWM 框架，其中包含用于节点、边缘和图级决策的操作节点。我们开发了图值推出边界，将拓扑引起的放大与模型引起的放大分开，并且引入了用于动态边缘推出的联合节点边缘算子。在分析的指导下，我们提出了错误感知 GWM，它结合了频谱正则化、推出一致性和关键节点加权。在合成拓扑和异构代理图测试台中，推出错误和规划遗憾随着范围的增加而增长，结构演变时需要动态边缘训练，并且错误感知 GWM 可以防止长范围发散，同时保持预测准确性。现实世界的图基准阐明了 GWM 的范围：它们对于动态图推出和代理规划最有用，而专门的图模型在静态或稀疏预测任务上仍然很强大。