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

本文提出了一种变分自动编码器框架，通过整合基于图表示和时间序列模型，有效捕捉交互式动态代理之间的时空关系并预测其动态行为，进而增强模型的可解释性和在分布外泛化的能力。经过大量的仿真和现实世界数据集的实验证明，与现有方法相比，本方法在建模时空关系、运动预测和识别时间不变的潜在特征方面表现出卓越的性能。

Jan, 2024

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

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

本研究旨在实现对人群活动的识别和研究，通过提出具有动态关系和动态行走模块的动态推理网络（DIN）来实现时空人员特定推理，从而形成人员特定的交互图，并在两个常用数据集中取得了相对于先前最先进方法的显著进展，而推理模块的计算开销要少得多。

Aug, 2021

该研究提出了一种新的框架和模型，通过引入预测级交互和时态表示，实现了联合对话情感分类和行为识别任务，与现有模型相比，性能更好，需要更少的计算资源和培训时间。

Mar, 2022

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