ネットワーク世界モデル：複雑系アルゴリズム設計のための環境

- 複雑系上のアルゴリズム設計のための環境として、action-conditioned Network World Model を提案する研究。 - ネットワークの diffusion dynamics を介入下で学習し、各 action をネットワークに適用して、その後に生じる outcome を予測する。 - これを algorithm design loop 内の高速 evaluator として用い、coding agent が executable algorithms を設計・改良する。 - 8つの network tasks と5つの diffusion models で評価し、141設定中138で最強の報告済み baseline と同等以上、Monte Carlo simulation より最大14.5倍高速な rollout を実現。

- 従来、複雑系での action 選択アルゴリズムの候補評価は simulation に依存し、多数の sampled trajectories を評価すると計算コストがボトルネックになる。 - 提案する Network World Model は、介入下のネットワーク拡散動態を学習して outcome を予測する高速 evaluator として機能する。 - これにより、Monte Carlo simulation 比で最大14.5倍高速な rollout を可能にしつつ、138/141設定で最強の報告済み baseline と同等以上を達成。 - 単なる予測器ではなく、algorithm design loop に組み込む環境として使う点が先行研究と異なる。

- action-conditioned Network World Model を学習し、ネットワークの diffusion dynamics を介入下で時系列に予測する。 - 各 action をネットワークに適用し、その後に展開する outcome を予測する。 - この model を algorithm design loop 内の高速 evaluator として使う。 - coding agent が executable algorithms を設計・改良する際、full rollouts、action-level credit、counterfactual probes over alternative interventions からの feedback を利用する。

- 8つの network tasks と5つの diffusion models で評価。 - 141の設定中138で、設計された algorithms が最強の報告済み baseline と同等以上。 - Monte Carlo simulation と比較して最大14.5倍高速な rollouts を実現。 - 詳細な実験条件や評価指標は要旨からは不明。

- 要旨からは不明。 - 提案手法の限界、失敗事例、一般化可能性、計算資源、coding agent の依存性などについての議論は要旨に記載がない。

- 要旨で参照・比較されている研究は明示されていない。 - 関連手法として、World Models、Monte Carlo simulation、diffusion models on networks、algorithm design with coding agents などが挙げられる。 - 同分野の定番として、network diffusion の simulation 手法や influence maximization、epidemic control のアルゴリズム設計に関する研究を読むとよい。