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

文章提出了一种新的 diffusion model 的训练方法，通过将数据中的时间动态信息直接耦合在网络的 diffusion steps 中，训练了一个 stochastic time-conditioner interpolator 和一个 backbone forecaster network，从而实现了多步和长距离的时序预测能力。实验结果表明该方法对于复杂的动态状态预测有较强的表现。

Jun, 2023

DIDER 是一个通用的端到端交互建模框架，其提供了内在的可解释性，通过将潜在的交互预测任务分解为子交互预测和持续时间估计，利用子交互类型在扩展时间范围内的一致性来实现内在的可解释性，实验结果表明，建模可解释动态关系可以提高轨迹预测任务的性能

Aug, 2022

使用扩散模型学习统计场论和量子场论的逆重整化群流。

Aug, 2023

我们提出了一种称为 Diffusion Model Variational Inference (DMVI) 的新方法，用于在概率编程语言 (PPLs) 中进行近似推断。DMVI 利用扩散模型作为真实后验分布的变分逼近，通过推导贝叶斯建模中使用的边际似然目标的新的上界。DMVI 实现简单，允许在 PPLs 中进行无麻烦的推断，并且不像使用标准化流进行变分推断那样有任何限制条件。我们对一组常见的贝叶斯模型进行了 DMVI 的评估，并展示其后验推断通常比 PPLs 中的现代方法更准确，同时计算成本相似且需要较少的手动调整。

Nov, 2023

本文提出了一种基于神经平均场动力学的新型学习框架，用于解决网络扩散的推理和估计问题，该框架利用 Mori-Zwanzig 形式主义从节点感染概率的精确演化获得，形 成一个高度结构化和可解释的 RNN，可用于联合学习扩散网络的结构和感染概率的演化，这是影响最大化等重要下游应用的基石。此外，本文还建立了参数学习和最优控制之间的联系。实证研究表明，我们的方法具有多样性和鲁棒性，可以在合成数据和真实世界数据上显著优于现有方法的准确性和效率。

Jun, 2020

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

我们提出了一种通用去噪扩散概率模型的方法，用于股票市场预测和投资组合管理。我们展示了去噪扩散概率模型在处理不确定性方面的有效性，并利用模型在时间序列预测中模拟更高的不确定性。此外，我们还提供了一种新颖的确定性架构 MaTCHS，利用蒙版关系转换网络来利用股票之间的关系。我们展示了该模型在预测市场动向和投资组合管理方面的最新性能。

Mar, 2024