WorldGraph: グラフネイティブな世界モデリング

- 本論文は、グラフの進化そのものを世界のダイナミクスとして扱う **graph world modeling (GWM)** を提案する。 - 観測されたグラフ進化、潜在グラフ状態、異種グラフ遷移予測から定式化する。 - ベンチマーク **GWM-Zero** を構築し、8つの時間グラフデータセットで node-, edge-, graph-level の遷移をカバーする。 - 提案手法 **WorldGraph** は、state-aware graph transformer と transition-aware GRPO を組み合わせる。 - 実験で代表的な graph representation、temporal graph learning、graph pretraining、graph world-model のベースラインを全遷移粒度で上回る。

- 従来の graph-related world model は、グラフ構造を内部状態の整理やタスク固有推論に使うだけで、進化するグラフ自体をモデル化する世界とはみなしていなかった。 - 本研究は、グラフ進化そのものを世界のダイナミクスとする **GWM** を定式化し、観測・潜在状態・異種遷移予測を統合する点が新しい。 - 既存の graph representation、temporal graph learning、graph pretraining、graph world-model と比較して、3つの遷移粒度すべてで一貫して優れる。 - ベンチマーク **GWM-Zero** を構築し、node-, edge-, graph-level の遷移を8つの時間グラフデータセットで評価する枠組みを提供する。

- **WorldGraph** は、state-aware graph transformer により、多粒度の構造と遷移条件付き進化モデリングを行う。 - さらに transition-aware GRPO を導入し、dynamic grouping と structure-aware verifiable rewards を用いる。 - これにより、観測されたグラフ進化、潜在グラフ状態、異種グラフ遷移予測を統合的に扱う。 - 具体的なアーキテクチャや報酬設計の詳細は要旨からは不明。

- **GWM-Zero** ベンチマーク上で広範な実験を実施。 - 8つの時間グラフデータセットを用い、node-, edge-, graph-level の3つの遷移粒度を評価。 - 代表的な graph representation、temporal graph learning、graph pretraining、graph world-model のベースラインと比較。 - **WorldGraph** が全3粒度で一貫してベースラインを上回ることを示した。

- 要旨からは、具体的な議論や限界、今後の課題についての記述は不明。 - 実験結果からは一貫した優位性が示されているが、計算コストやスケーラビリティ、一般化可能性に関する議論は要旨からは不明。

- 要旨で参照/比較されている研究として、graph representation、temporal graph learning、graph pretraining、graph world-model の各ベースラインが挙げられる。 - 具体的な論文名は要旨からは不明。 - 同分野の定番として、temporal graph neural networks (e.g., TGN, TGAT) や graph pretraining (e.g., GraphMAE, GraphCL)、world models (e.g., Dreamer, PlaNet) などが関連する。