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

该研究提出了一个新的概率方法进行关系推断，使用基于物理的图神经网络来学习物理一致的两两粒子之间的相互作用，具有数据效率和泛化到大系统的能力，并能够比现有方法准确地推断相互作用类型，是发现宏观粒子系统机械性质的基本规律的关键元素。

Apr, 2023

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

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

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

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

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

本文介绍了一种基于视觉交互网络的模型，能够从原始视觉观察数据中学习物理系统的动力学，在复杂的物理环境中支持基于模型的决策制定和规划。该模型由基于卷积神经网络的感知前端和基于交互网络的动力学预测器组成，支持从少量视频帧生成准确的未来轨迹预测。

Jun, 2017