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

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

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

利用非参数统计学习方法，无需参考或假设其分析形式，从包括交互代理人轨迹的数据中估算基于距离的相互作用法则，这在各个学科的复杂动态系统中是一个基本挑战。我们不仅提供理论保证，而且还在各种典型系统上进行了测试，包括基本物理中的粒子系统，模拟社会影响下的意见动态、食饵捕捉和群集和聚集和细胞动力学中的光趋性系统。

Dec, 2018

在网络上建模多智能体系统是各种学科中的一个基本挑战。我们从由多个轨迹组成的数据中共同推断网络的权重矩阵和相互作用核，分别确定智能体之间的相互作用以及此类相互作用的规则。我们提出的估计器自然导致一个非凸优化问题，我们研究了两种方法来解决：一种基于交替最小二乘（ALS）算法；另一种基于名为交替最小二乘操作回归（ORALS）的新算法。两种算法都可适用于大量数据轨迹，并建立欠定条件以保证可识别性和适定性。ALS 算法在小数据范围内具有统计效率和鲁棒性，但缺乏性能和收敛性保证；ORALS 估计器在欠定条件下是一致且渐近正常的。我们进行了几次数值实验，从网络上的 Kuramoto 粒子系统到领导者 - 从属模型的意见动态。

Feb, 2024

本文提出了一种能够在单个 GPU 上运行高精度大规模 N 粒子动力学模拟的机器学习方法，将完全连接的交互图转换为分层图以减少复杂度和边数。

Oct, 2020

本文介绍了交互网络模型，它能够推断复杂系统中物体之间相互作用的方式，支持对系统动态预测，以及对系统抽象属性的推理。该模型使用深度神经网络进行对象和关系居中的推理，并可以推理多种具有挑战性的物理领域。 报告结果表明，它能够训练准确地模拟数十个对象在数千个时间步骤上的物理轨迹，估计能量等抽象量，自动推广到具有不同数量和配置的对象和关系的系统中。 该交互网络的实现是第一个通用的，可学习的物理引擎，是处理各种复杂真实世界领域中物体和关系的强大的通用框架。

Dec, 2016

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多尺度超图神经网络的方法，可用于预测交互行为，通过对群体行为的建模以及超图的学习，实现了针对 CVAE 系统的关系推理，同时在 NBA、SDD 和 ETH-UCY 等实际数据集上验证了模型的有效性及优越性。

Apr, 2022

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