人类与物体的交互中，通过模型和神经网络控制人的动作机制的不断切换，以预测人的动作序列。

Jul, 2023

本文提出了一个转换系统抽象框架，旨在增强神经网络动态系统模型的可解释性，应用于复杂的动态系统如人类行为学习和验证。

Feb, 2024

提出了一种建模和预测人类行为的方法，将人类建模为图形模型中的节点，并为每个人学习多模态概率分布，以预测日常交互中的未来行为。

Mar, 2018

提出了一种新的神经时间模型来预测和合成人类动作，并且在长期运动轨迹的建模方面达到了最先进水平，同时在短期预测方面具有竞争力并且需要更少的计算量，通过一种新颖的指标（NPSS）评估长期预测能力，配合用户研究，成功提高了模型的预测准确度。

Sep, 2018

通过提出一种作为生成模型的多变量周期 Hawkes 过程模型，该模型可以捕捉人类活动的时间聚类、相互依赖结构和相互兴奋以及一周内时间周期效应。我们将这个模型应用于大规模信用卡交易数据集，并证明 MPHP 在交互事件时间分布和活动预测任务的统计适合度上超过非齐次泊松模型和 LDA。

May, 2020

本文提出了一个双重注意力网络模型，该模型可以同时识别人类以及物体之间的动作，实现了物体及动作的同时识别，并在 Something-Something 数据集上展现了非常好的性能。除此之外，此模型还能够进行弱空间时间定位和可供性分割，可以识别物体的不同部分相互之间的交互。

Sep, 2019

研究人类运动轨迹预测，提出基于注意力机制的轻量级循环模型并结合基于场景感知的目标估计模块，应用于公共数据集，能够在保证预测准确性的前提下，减少模型复杂度。

Apr, 2022

通过交叉个人记忆变换器（CPM-T）框架，结合文本和非文本信号来明确地建模情感动力学，实现了对前后谈话内容间的依赖性的捕捉，并通过跨模态关注以有效地对齐来自多模态的信息，并利用跨人关注以对齐多方互动中的行为，该模型在三个公共数据集上的平均 F1-score 分别高出基准模型 7.3％，9.3％和 2.0％，验证了该方法的有效性和适用性。

May, 2023

该研究使用隐藏马尔科夫模型（HMM）来构建多层的带有时空结构的网络模型，探索动态脑活动和区域之间的交互。结果显示出支持神经熵理论的新证据，同时也支持原有的模块化处理假设。

Mar, 2022

本文提出了一种新型层级长短时记忆并发记忆模型（H-LSTCM），能够通过捕捉多个人之间的长期相互关系动态来识别人类交互，通过与基线和先进的方法相比，证明了所提出模型的有效性。

Nov, 2018