高效信息传递机制的神经关系推断
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
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
本文提出了一种基于关系状态空间模型(R-SSM)的序列分层潜变量模型，其利用图神经网络(GNNs)模拟多个相关对象的联合状态转移，同时提供了一种灵活的将关系信息纳入到多对象动态建模的方式，并且通过实验在合成和真实时间序列数据集上进行了验证。
Jan, 2020
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
本研究训练了图神经网络以适应来自非线性动力系统的时间序列，发现了学习表示和模型组件的简单解释，并成功地确定了'图翻译器'，使两种新类型广义：仅基于时间序列观测来恢复新系统实例的潜在结构，或者直接从该结构构造新网络。结果表明，理解复杂系统的动态和结构及其如何用于泛化的途径。
Feb, 2022
本文提出了一种名为DYGR的动态图先验方法，通过高次非局部多项式滤波器中的误差放大来构造良好的图学习梯度，实现了关系推理，并在科学机器学习中表现出了异常的鲁棒性。
Jun, 2023
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
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
通过引入一个抽象层，本文利用图神经网络将代理的状态映射到它们对每个类别的关联度，将代理之间的物理接近性和关联度整合到非线性舆论动力学模型中，用于识别互斥类别、预测代理的时间演变和控制代理的行为，从而在机械系统的可学习类别和长期轨迹预测基准测试中证明了模型的实用性和效果优越性。
Jun, 2024