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
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
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
本研究提出了一种新方法 RMPI,它使用关系信息直接传递消息来充分利用子图推理中的关系模式,具有一定的归纳能力,并且可以比现有的全归纳 KGC 方法表现更好。
Oct, 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