ICLRJul, 2020

多智能体轨迹中的动态关系推断

PDF
TL;DR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。
multi-agent trajectoriesneural relational inferencedynamic relational inferencesimulated physics systembasketball trajectories
发现论文，激发创造
  • 交互系统的神经关系推断

    本文介绍了一种名为神经关系推断（NRI）模型的非监督学习算法，该模型可以在学习动态过程的同时推断系统组成部分之间的相互作用，通过真实场景的一系列实验表明该模型可以准确地预测从运动捕捉和运动追踪数据中推断出的社交网络组成部分之间的关系和运动的复杂动态。

    Feb, 2018

  • 高效信息传递机制的神经关系推断

    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

  • 多交互系统的因式神经关系推理

    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

  • DIDER: 揭示可解释的动态演化关系

    DIDER 是一个通用的端到端交互建模框架，其提供了内在的可解释性，通过将潜在的交互预测任务分解为子交互预测和持续时间估计，利用子交互类型在扩展时间范围内的一致性来实现内在的可解释性，实验结果表明，建模可解释动态关系可以提高轨迹预测任务的性能

    Aug, 2022

  • 多智能体动态关系推理在社交机器人导航中的应用

    通过系统的关系推理方法和轨迹预测，我们提出了一种适用于多智能体系统的社交机器人导航研究，通过该方法，在密集、互动场景中，在安全性、效率性和社交遵循性方面显著优于最强基准线。

    Jan, 2024

  • 关系推理的扩散模型

    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

  • 推断相互作用系统中的关系潜能

    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

  • EvolveGraph：基于动态关系推理的多智能体轨迹预测

    本文提出了一种能够通过关系推理和适应性地进化交互图，预测多个异构交互代理的轨迹的通用轨迹预测框架，其在多个真实世界基准数据集中取得了最先进的预测准确性表现。

    Mar, 2020

  • 交互空间自然语言推断

    本文介绍了交互推断网络（IIN），一种新的神经网络架构，它通过从交互空间层次性地提取语义特征来实现对语句对的高层次理解，并展示了类似大规模 NLI 的语料库上 Densely Interactive Inference Network （DIIN）的最新性能表现，DIIN 相对于最强的发表系统在具有挑战性的 Multi－Genre NLI（MultiNLI）数据集上实现了大于 20％的误差降低。

    Sep, 2017

  • 通过对比关系推理提升事件序列建模

    我们提出了一种新颖的方法，利用神经关系推断来学习关系图，以从观测数据中推断事件相互作用，并同时学习动态模式。我们的方法在变分推断框架下对事件相互作用进行推理，并利用基于强度的学习来搜索原型路径以对比关系约束。在三个真实世界数据集上的大量实验证明了我们的模型在事件序列建模任务中捕捉事件相互作用的有效性。

    Sep, 2023