Hosszú távú tervezési hibákat orvosol a Graph World Model új változata

A világmodellek (World Models) tervezési feladatokhoz használatosak a dinamika előrevetítésével. Sok ilyen környezet azonban nem vektor vagy kép, hanem komplex grafikon, amely ügynököket, eszközöket, készségeket és függőségeket foglal magában. Ebben a kontextusban a helyi predikciós hiba vagy lokális marad, vagy továbbterjed a grafikonon, különösen ha a szélek (edge) prediktáltak, nem pedig fixek.

A kutatók kidolgoztak egy egységes, fix- és dinamikus-szélű Graph World Model (GWM) keretrendszert, amely cselekvési csomópontokat (action nodes) használ a csomópont-, él- és graf-szintű döntésekhez. A kutatás során graf-értékű bevezetés-határokat (bevezetés bounds) fejlesztettek ki, amelyek szétválasztják a topológiából eredő és a modellből eredő hibák erősödését. Emellett bevezettek egy közös csomópont-él operátort a dinamikus-szélű rollouts-hoz — írja az arXiv.

Kapcsolódó: AI-ügynökök jövője

Az Error-Aware GWM működése

Az elemzés alapján javasolták az Error-Aware GWM-et, amely spektrális regularizációt (spectral regularization), bevezetés konzisztenciát (bevezetés consistency) és kritikus csomópont súlyozást (critical-node weighting) kombinál. Szintetikus topológiákon és heterogén, több szereplős graf-teszteredényeken végzett kísérletek kimutatták, hogy a bevezetés hiba és a tervezési bánat (planning regret) a horizonttal együtt nő. A dinamikus-szélű (dynamic-edge) betanítás szükséges, ha a graf struktúrája változik.

Kapcsolódó: Anchor rendszer bemutatás

Korlátok és előnyök

Az Error-Aware GWM megakadályozza a hosszú távú divergens viselkedést, miközben megőrzi a predikciós pontosságot. Valós idejű graf-tesztkörnyezetekben végzett teljesítménytesztek rávilágítottak a GWM-ek hasznosságára a dinamikus graf-bevezetés és az ügynök-tervezés terén. Ezzel szemben a speciális graf-modellek továbbra is erősek maradnak statikus vagy ritka predikciós feladatoknál.

Kapcsolódó: HORIZON teljesítményteszt