그래프 기반 세계 모델: 개념, 분류 및 미래 연구 방향

Graph World Models: Concepts, Taxonomy, and Future Directions

인공지능의 주요 모델 중 하나인 세계 모델은 에이전트가 환경의 표현을 학습하여 효율적인 예측과 계획을 수행하도록 합니다. 그러나 기존의 평면 텐서를 기반으로 하는 세계 모델은 노이즈 민감성, 오차 누적 및 약한 추론 능력과 같은 여러 가지 주요 문제점을 가지고 있습니다. 이러한 한계점을 극복하기 위해 최근 연구에서는 그래프 구조를 사용하여 환경을 개체 노드와 상호 작용하는 엣지로 분해하고, 구조화된 공간에서 가상 환경을 모델링합니다. 본 논문에서는 이러한 새로운 그래프 기반 연구들을 '그래프 기반 세계 모델(GWM)'이라는 개념으로 체계적으로 정의하고 통합합니다. 현재까지 GWM은 명시적으로 정의되고 통합적인 연구 패러다임으로 조사된 적이 없다고 판단됩니다. 또한, 우리는 관계 기반 유도 편향(RIB)을 기반으로 GWM을 분류하는 새로운 분류 체계를 제안합니다. 이 분류 체계는 GWM이 사용하는 특정 구조적 사전 지식에 따라 다음과 같이 분류됩니다: (1) 토폴로지 추상화를 위한 공간적 RIB, (2) 동적 시뮬레이션을 위한 물리적 RIB, (3) 인과적 및 의미적 추론을 위한 논리적 RIB. 각 모델 범주에 대해 주요 설계 원칙을 설명하고, 대표적인 모델을 요약하며, 비교 분석을 수행합니다. 또한, 동적 그래프 적응, 확률적 관계 역학, 다중 수준 유도 편향, 그리고 GWM을 위한 특화된 벤치마크 및 평가 지표의 필요성과 같은 해결해야 할 과제와 미래 연구 방향에 대해 논의합니다.

As one of the mainstream models of artificial intelligence, world models allow agents to learn the representation of the environment for efficient prediction and planning. However, classical world models based on flat tensors face several key problems, including noise sensitivity, error accumulation and weak reasoning. To address these limitations, many recent studies use graph structure to decompose the environment into entity nodes and interactive edges, and model virtual environments in a structured space. This paper systematically formalizes and unifies these emerging graph-based works under the concept of graph world models (GWMs). To the best of our knowledge, GWMs have not yet been explicitly defined and surveyed as a unified research paradigm. Furthermore, we propose a taxonomy based on relational inductive biases (RIB), categorizing GWMs by the specific structural priors they inject: (1) spatial RIB for topological abstraction; (2) physical RIB for dynamic simulation; and (3) logical RIB for causal and semantic reasoning. For each model category, we outline the key design principles, summarize representative models, and conduct comparative analyses. We further discuss open challenges and future directions, including dynamic graph adaptation, probabilistic relational dynamics, multi-granularity inductive biases, and the need for dedicated benchmarks and evaluation metrics for GWMs.