- 蛋白质突变影响预测的多级交互建模
通过自我监督的多层预训练框架 ProMIM,全面捕获三个层级的蛋白质相互作用,该框架在标准基准测试中表现优异,特别是在可能导致蛋白质背骨构象显著变化的突变上,还能进行零样本评估,显示了其作为新一代强大的药物开发工具在 SARS-CoV-2 - SSL - 交互:交互轨迹预测的前置任务
本文研究了在多智能体环境中的动作预测问题,提出了一种名为 SSL-Interactions 的方法,通过预先任务增强了交互建模以进行轨迹预测。该方法引入了四种考虑智能体交互的预先任务,并通过构建交互密集场景的数据集来提高交互模型的学习性能。 - CVPR细胞模拟:人类物体互动重构挑战
建模人与物体之间的交互是近年来的一个新兴研究方向。本文描述了 RHOBIN 挑战赛的设置,并详细讨论了每个任务的优胜方法。观察到在严重遮挡设置下,人物重建任务变得更加成熟,而对象姿态估计和联合重建仍然是具有挑战性的任务。随着对交互建模的兴趣 - 可解释运动预测的解缠关系神经推理
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 - LEMON:从 2D 图像中学习 3D 人体物体交互关系
利用 3D 人物 - 物体交互关系的内在相关性,LEMON 是一个统一模型,通过提取几何相关性并利用曲率来预测交互元素,超越了单独估计每个元素的方法。
- 蛋白质片段周围对齐的自监督口袋预训练
通过在高分辨率原子蛋白质结构中分割药物样片段和相应的口袋,并与一些预训练的小分子编码器生成的伪配体表示对齐,我们提出了一种新颖的口袋预训练方法 ProFSA,该方法在口袋可药性预测、口袋匹配和配体结合亲和力预测等多个任务中取得了最先进的性能 - 极化碰撞网格:使用碰撞检查在共享空间中有效建模行人轨迹预测
在共享空间中,预测行人轨迹对于自动驾驶车辆的安全导航至关重要。我们提出了一种基于启发式的选择相互作用代理的过程,通过计算碰撞风险,使用时间间隔和接近方向角来编码交互效果,并引入了新的极坐标碰撞格网图。实验结果表明,与现有方法相比,我们的方法 - 多人动作预测的联合关系变换器
我们提出了关节 - 关系转换器,利用关系信息来增强交互建模和提高未来运动预测的准确性。
- 联合度量很重要:轨迹预测的更好标准
本文针对轨迹预测的常见问题,首次全面评估了最新的预测方法,提出并优化了基于联合度量的新损失函数,可以显著提高以前的最佳表现,并在交互建模方面显著改进,结果基于 ETH/UCY 和 Stanford Drone 数 据集提供了证明。
- 多路注意力交互建模
介绍了 Interaction Modeling with Multiplex Attention (IMMA) 方法,该方法能够准确地建模多智能体系统中代理之间的多种类型的相互作用,并利用渐进式层训练策略训练这种 d 听建筑,显示该方法在 - DIDER: 揭示可解释的动态演化关系
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 - ICLRScene Transformer: 预测多个 Agent 轨迹的统一体结构
本篇研究旨在提出一种基于遮罩策略和注意力机制的场景中多智能体行为预测模型,以解决自动驾驶中的动态环境下多种智能体之间相互作用问题,结果表明该模型在多种运动预测任务上表现出优越性和普适性。
- CatGCN:具有分类节点特征的图卷积网络
论文提出一种新的 GCN 模型 CatGCN,它适用于当节点特征为分类特征时的情况。该模型在学习初始节点表示时整合了两种显式的交互模型,并使用基于邻域聚合的图卷积对初始节点表示进行了改进。实验证明,CatGCN 对半监督节点分类任务非常有效 - MMAMENet: 基于关注地图编码器网络的轨迹预测
提出了一种名为 AMENet 的端到端生成模型,使用注意力机制动态地建模了邻居交互信息,实现了准确和逼真的轨迹多路径预测,并在 Trajnet 和 InD 两个公共轨迹预测数据集上进行了验证。
- InterBERT:多模态预训练中的视觉 - 语言交互
该论文提出了一种基于多模态预训练的新型模型 InterBERT,通过预训练的方式实现了多个任务,包括掩码片段建模、掩码区域建模和图像与文本匹配,并在视觉和语言下游任务上进行了 fine-tuning,最终实现了基于主题的推荐和基于文本的图像 - CVPR神经运动信息传递的协作运动预测
本研究提出了一种神经网络消息传递模型来模拟交通参与者之间的协作和交互,以及对行为建模的单个参与者。在两种设置下,模型都高效优于之前最先进的方法。
- CVPRSocial-STGCNN:一种用于人类轨迹预测的社交时空图卷积神经网络
本研究通过提出 Social-STGCNN 方法,并将交互建模为图形而避免聚合方法的使用,提高人类与自主车辆之间模型交互的时效及准确性,同时提高参数及推理速度,且即使训练数据量减少可仍得出表现优异的结果。
- ICLR多智能体交互建模和相关策略
本文提出了一种基于相互关联策略的多智能体系统建模与仿真方法,并通过去近似敌方策略恢复代理策略的方法,设计了一种去中心化对抗性学习算法,实现了模型的训练和执行,实验证明了该算法的优越性,代码可在 https://github.com/apex - 基于图卷积网络的三维感知自我中心空时交互学习
本文提出了一种 3D 感知的自我中心空间 - 时间交互框架,用于自动驾驶应用,采用图卷积网络(GCN)进行交互建模,对于特定场景的驾驶行为识别领域,该框架在 Honda Research Institute Driving Dataset - CVPR上下文感知的人体动作预测
本文利用语义图模型和图注意力层来建立上下文感知体系结构,旨在正确建模人类行为中的对象和人际互动以提高人类运动的预测准确性。通过在全身人类动作数据库上进行的彻底评估,论文显示出模式的优越性。