简述：通过在 NRI 模型中引入一种新的因子化方法，即将推断的潜在交互图分解为一种多层结构，使 fNRI 模型在边缘预测和轨迹预测方面表现明显优于原模型，同时也提出了模型的简化版，并对训练例程进行调整以大大改善其对复杂物理动态系统的建模能力。

May, 2019

该研究采用带有结构先验知识的图神经网络，提出了高效的信息传递机制来共同学习动态关系和规则，并且在模拟物理系统上的实验结果表明，所提出的方法优于现有的最先进方法。

Jan, 2021

本文介绍了神经关系推理 (NRI) 模型在多智能体轨迹的关系推理领域的应用。作者发现没有足够长期的记录会严重损害 NRI 模型的推理结果，为此提出了一种叫做 DYARI 模型的扩展模型，能够处理关系动态变化的情况。作者通过对模型结构、底层动态和训练方案的详细研究，并在模拟物理系统和真实多智能体篮球轨迹上验证了 DYARI 模型的有效性。

Jul, 2020

建议提出了神经交互推断（NIIP）作为发现系统相互作用的替代方法，其灵活性更大，并具备对轨迹建模、添加外部约束以及异常检测的能力。

Oct, 2023

本研究提出了一种基于扩散模型的关系推理方法（DiffRI），通过条件扩散建模来学习推断不同组件之间的连接存在概率，实验证明 DiffRI 在发现地面真实相互作用方面比其他先进模型具有很高的竞争力。

Jan, 2024

本文提出了一种将图形模型和深度神经网络集成到一个联合框架中的方法，在序列推断方面采用递归神经网络的建模，通过对节点之间的边缘施加门来学习推断的适当结构。实证研究表明，这种模型具有处理高度结构化学习任务的潜力，再现了在群体活动识别问题的表现。

Nov, 2015

该研究提出了一个新的概率方法进行关系推断，使用基于物理的图神经网络来学习物理一致的两两粒子之间的相互作用，具有数据效率和泛化到大系统的能力，并能够比现有方法准确地推断相互作用类型，是发现宏观粒子系统机械性质的基本规律的关键元素。

Apr, 2023

图神经网络在多种动态系统如实体和关系组成的问题中是有效的模型。本文提出了一种基于模块化元学习的关系推断方法，通过训练神经模块以不同方式组合解决多个任务，增加了推理能力，并在元学习优化内循环中采用模型导向的方法，提高了数据效率和可推断未直接观测到的实体状态的能力。

Oct, 2023

本文介绍了交互网络模型，它能够推断复杂系统中物体之间相互作用的方式，支持对系统动态预测，以及对系统抽象属性的推理。该模型使用深度神经网络进行对象和关系居中的推理，并可以推理多种具有挑战性的物理领域。 报告结果表明，它能够训练准确地模拟数十个对象在数千个时间步骤上的物理轨迹，估计能量等抽象量，自动推广到具有不同数量和配置的对象和关系的系统中。 该交互网络的实现是第一个通用的，可学习的物理引擎，是处理各种复杂真实世界领域中物体和关系的强大的通用框架。

Dec, 2016

利用自监督神经网络模型从观察到的轨迹数据中恢复相互作用网络并预测个体动力学的研究，应用于耦合粒子和耦合振荡器（Kuramoto）的两个动力系统。

Oct, 2023