提出了一种基于概率框架的深度生成关系模型，通过高阶邻域结构信息建立了能够处理非线性映射的深层网络架构，并使用了 Dirichlet 随机变量结构的新型数据增强方法，使得在实际数据集中的链接预测表现得到了显著的提高。

Nov, 2019

本文介绍 DRaiL，一个开源的声明式框架，用于指定深度关系模型，旨在支持各种自然语言处理场景，并支持与表达性语言编码器的轻松集成，以及研究表示、推理和学习之间的相互作用。

Oct, 2020

该研究针对深度神经网络在社交网络分析等结构化领域表现不佳的问题，提出了一种新方法，即基于关系随机游走的特征和参数共享的关系神经网络。实验证明，该方法在多个标准关系数据集上的表现优于多种神经网络和统计关系模型。

Aug, 2019

该论文提出了一种基于多通道 RNN 的非参数深度神经网络方法，用于对事件数据集进行建模和预测，并证明该方法在模型拟合任务中胜过现有的基线方法。

Feb, 2020

本文提出了一种新的深度结构化学习框架，用于事件时间关系提取，其结构包括递归神经网络和结构化支持向量机，通过联合训练两部分模型，采用预训练上下文嵌入，证明了提出的模型的性能明显优于现有的方法，并提供了详尽的削减研究。

Sep, 2019

利用结构化的多层感知机和循环神经网络，结合稀疏性惩罚，提出一种非线性 Granger 因果分析方法，通过其自动裁剪滞后项和处理长程依赖关系等特点，优于现有方法，可以应用于脑科学、基因组学和人体运动等领域。

Feb, 2018

由于深度神经网络在高风险领域应用时存在的不透明性，本文提出了一种名为神经添加模型（NAMs）的方法，将神经网络的表现力和广义可加模型的内在可解释性结合起来，令其在高风险领域有更好的应用前景，同时 NAMs 表现出了良好的性能，其可用于多任务学习及建立更复杂可解释的 COVID-19 模型。

Apr, 2020

本篇论文提出了一种使用循环事件网络的方法，针对具有时间戳的知识图谱中的推理问题，通过对已知事实的模型化预测未来事件，通过对未来时间戳上的链接预测实现多步推理。

Apr, 2019

本文介绍了一种新的 Relational neural networks 模型，通过在关系逻辑回归中加入隐藏层，从而同时考虑了物体和关系，使用遍历学习算法进行模型训练，并证明了 RelNNs 是一种有效的关系学习模型。

Dec, 2017

本文提出了名为神经关联模型（NAM）的新深度学习方法，旨在用于人工智能中的概率推理。作者研究了两种 NAM 结构，即深度神经网络（DNN）和关系调制神经网络（RMNN），并在多个概率推理任务中证明了它们的有效性，包括识别文本蕴含，多关系知识库中的三元分类和常识推理。实验结果表明，这些模型可以显著优于传统的方法，并证明了它们在解决具有挑战性的 Winograd 模式（WS）问题方面的潜力。

Mar, 2016