Naukowcy z arXiv opublikowali badania nad zjawiskiem błędów prognozowania w Graph World Models - modelach AI przystosowanych do planowania na strukturach grafowych zamiast na tradycyjnych wektorach lub obrazach. Problem polega na tym, że w sieciach agentów, narzędzi i zależności mały błąd w jednym przewidywaniu może rozprzestrzeniać się przez cały graf, pogorszając dokładność prognoz długoterminowych.
Badacze opracowali ujednolicony framework obejmujący dwa scenariusze: gdy krawędzie grafu pozostają stałe oraz gdy są przewidywane dynamicznie. Kluczowym wkładem są granicowe wartości błędów prognozowania, które rozdzielają amplifikację błędu spowodowaną topologią sieci od amplifikacji wynikającej z niedokładności samego modelu. Ta analiza pozwoliła naukowcom zidentyfikować, gdzie i w jaki sposób błędy się kumulują.
Wyniki pokazują, że Error-Aware GWM - zaproponowana metoda łącząca regularyzację spektralną, konsystencję rolloutów i ważenie krytycznych węzłów - skutecznie hamuje długoterminowe odchylenia przy jednoczesnym zachowaniu dokładności przewidywań. Testy na syntetycznych topologiach i rzeczywistych benchmark'ach ujawniają, że Graph World Models są najskuteczniejsze dla dynamicznych grafów i planowania ruchu agentów, podczas gdy dla statycznych lub rzadkich zadań predykcyjnych lepsze pozostają wyspecjalizowane modele grafowe.