EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational Reasoning
Honda Research Institute, USA（本田美国研究所）；University of California, Berkeley（加州大学伯克利分校）
从纯物理系统到复杂的社会动态系统，多智能体交互系统在世界范围内普遍存在。在许多应用中，有效地理解情况和准确的轨迹预测的交互代理在下游任务，如决策和规划中发挥了重要作用。在本文中，我们提出了一个通用的轨迹预测框架（名为EvolveGraph）与显式的关系结构识别和预测，通过多个异构的，交互式代理之间的潜在的交互图。考虑到未来行为的不确定性，该模型被设计为提供多模态预测假设。由于潜在的相互作用可能会演变，即使突然的变化，不同的方式的演变可能会导致不同的结果，我们解决的必要性，动态关系推理和自适应发展的相互作用图。我们还引入了一个双阶段的训练管道，不仅提高了训练效率，加快了收敛速度，而且提高了模型的性能。所提出的框架在合成物理模拟和多个真实世界的基准数据集在各个领域进行了评估。实验结果表明，我们的方法在预测精度方面达到了最先进的性能。
2020-10-22 cs.CV cs.LG cs.MA
EvolveHypergraph: Group-Aware Dynamic Relational Reasoning for Trajectory Prediction
Stanford University（斯坦福大学）；Korea Advanced Institute of Science and Technology（韩国科学技术院）；University of California, Berkeley（加州大学伯克利分校）
虽然成对关系的建模在多智能体交互系统中得到了广泛的研究，但其捕获更高级别和更大规模的群体活动的能力是有限的。在本文中，我们提出了一个群体感知的关系推理方法（名为EvolveHypergraph）与显式推理的基础动态演变的关系结构，我们证明了它的有效性多智能体轨迹预测。除了一对节点之间的边（即，代理），我们建议推断hyperedges，自适应地连接多个节点，使组感知的关系推理在无监督的方式，而不固定的hyperedges的数量。所提出的方法推断动态演变的关系图和超图随着时间的推移，以捕获的关系，这是由轨迹预测器，以获得未来的状态的演变。此外，我们提出了正则化的关系演化的光滑性和稀疏的推断图或超图，这有效地提高了训练的稳定性，增强了推断关系的可解释性。所提出的方法在合成人群模拟和多个真实世界的基准数据集上进行了验证。我们的方法推断出可解释的，合理的群体感知关系，并在长期预测中实现了最先进的性能。
2022-08-10 cs.AI cs.CV cs.LG
Towards Anomaly Detection on Relational Data
Griffith University（格里菲斯大学）；Guangxi University（广西大学）
提出RelAD框架，通过条件稀疏门控属性重建和双视图多关系边重建，有效检测关系数据中的属性异常和连接模式异常，在6个基准数据集上优于现有方法。
2026-08-04 cs.LG
Recovering Unobserved Network Links from Aggregated Relational Data: Bayesian Latent Surface Modeling and Penalized Regression
本文通过共同观测映射比较潜在几何与正则化网络估计量，用于从聚合关系数据恢复未观测链接，发现矩阵估计器在边排序上更优，几何估计器在概率生成上更准。
2026-09-10 econ.EM stat.AP stat.ME
Relational Compression: A Framework for Relational Fidelity in Constrained Representations
针对关系信息压缩问题，提出关系压缩框架，统一图摘要、谱稀疏化等方法，以有限码字碰撞实现关系保真，并通过实验验证其有效性。
2026-09-29 cs.IT cs.LG math.IT
Theory reconstruction: a representation learning view on predicate invention
Computer Science Department（计算机科学系）；KU Leuven（鲁汶大学）
通过这篇立场论文，我们提出了一个关于谓词创造的表征学习观点。该提案的目的是在谓词发明问题上架起关系和深度学习社区的桥梁。我们提出了一个理论重建的方法，一种形式主义，扩展自动编码器的方法表示学习的关系设置。我们的目的是开始讨论，以定义一个统一的框架，谓词发明和理论修订。
2016-06-29 cs.LG cs.LO stat.ML
Inferring Relational Potentials in Interacting Systems
Northeastern University（东北大学）；Massachusetts Institute of Technology（麻省理工学院）
提出 NIIP 框架，通过以能量函数表示的关系势能重建轨迹来推断交互系统中的关系约束，在轨迹操作、预测、异常检测及测试时添加外部势能方面展现独特能力。
2023-10-23 cs.LG
Conditional Neural Relational Inference for Interacting Systems
University of Geneva（日内瓦大学）；Geneva School of Business Administration, HES-SO（瑞士西部高等专业学院日内瓦工商管理学院）
在这项工作中，我们希望学习模拟相似但不同的相互作用对象组的动态。这些群体遵循一些共同的物理定律，这些定律表现出通过一些矢量描述捕获的特异性。我们开发了一个模型，使我们能够从任何这样的组给出其矢量描述的条件生成。与以前的工作学习动力系统，只能做轨迹完成，并要求轨迹动态的一部分，以提供作为输入的生成时间，我们只使用条件向量没有访问生成时间的轨迹。我们评估我们的模型中的设置建模人类步态，特别是病理人类步态。
2021-07-02 cs.LG
Pattern Ensembling for Spatial Trajectory Reconstruction
New York University（纽约大学）；Lockheed Martin Corporation（洛克希德·马丁公司）
数字传感为评估和理解移动性提供了前所未有的机会。然而，地理定位数据的不完整性，缺失信息，可能的不准确性和时间异质性可能会破坏其适用性。由于移动模式经常重复，我们提出了一种方法，使用类似的轨迹模式从本地附近和概率合奏他们鲁棒重建丢失或不可靠的观察。我们评估所提出的方法相比，传统的功能轨迹插值使用的情况下，由自动识别系统（AIS）提供的海上船舶轨迹数据。通过有效地利用现实世界中的轨迹的相似性，我们的模式集成方法有助于重建丢失的轨迹段的延长长度和复杂的几何形状。它可以用于定位移动对象时，暂时未观察到的，以及创建一个均匀采样的轨迹插值有用的进一步的轨迹挖掘。
2021-01-25 cs.LG physics.data-an stat.ML
Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation
University of California, Riverside（加州大学河滨分校）；University of California, Berkeley（加州大学伯克利分校）；Korea Advanced Institute of Science and Technology（韩国科学技术院）；Stanford University（斯坦福大学）
本文提出一种多智能体动态关系推理方法，通过推断动态演化的关系图与超图实现群体级推理，结合轨迹预测与深度强化学习框架，显著提升了社交机器人导航在密集交互场景下的安全性、效率与社交合规性。
2024-11-11 cs.AI cs.CV cs.LG
Neural Relational Inference for Interacting Systems
University of Amsterdam（阿姆斯特丹大学）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Canadian Institute for Advanced Research（加拿大高级研究所）
交互系统在自然界中普遍存在，从物理学中的动力系统到复杂的社会动力学。组件之间的相互作用会导致复杂的行为，这通常可以用系统组成部分的简单模型来解释。在这项工作中，我们介绍了神经关系推理（NRI）模型：一个无监督的模型，学习推断相互作用，同时学习纯粹从观察数据的动态。我们的模型采用变分自动编码器的形式，其中的潜在代码表示底层的交互图和重建是基于图神经网络。在模拟物理系统的实验中，我们证明了我们的NRI模型可以以无监督的方式准确地恢复地面真实的相互作用。我们进一步证明，我们可以找到一个可解释的结构，并预测复杂的动态在真正的运动捕捉和运动跟踪数据。
2018-06-06 cs.LG stat.ML
Online Relational Inference for Evolving Multi-agent Interacting Systems
Georgia Institute of Technology（佐治亚理工学院）
提出在线关系推断框架ORI，利用流式数据和在线反向传播实时识别演化多智能体系统中的交互图，并通过AdaRelation和轨迹镜像增强准确性与泛化能力。
2024-11-07 cs.AI cs.LG cs.MA
Factorised Neural Relational Inference for Multi-Interaction Systems
University of Cambridge（剑桥大学）
许多复杂的自然和文化现象都可以通过粒子之间简单的相互作用系统来很好地模拟。已经开发了许多体系结构来隐式和显式地表达这种结构。我们考虑一个无监督的显式模型，NRI模型，并作出了一系列的代表性的适应和物理动机的变化。最值得注意的是，我们将推断出的潜在交互图分解为多路复用图，允许每一层编码不同的交互类型。这种fNRI模型的尺寸更小，在边缘和轨迹预测方面明显优于原始模型，建立了一种新的最先进的模型。我们还提出了一种简化的模型变体，它表明NRI作为变分自动编码器的配方对于良好的性能是不必要的，并适应NRI的训练例程，显着提高了其对复杂物理动力系统建模的能力。
2019-05-21 cs.LG stat.ML
Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network
University of California, Berkeley（加利福尼亚大学伯克利分校）
对环境的有效理解和周围动态障碍物的准确轨迹预测对于智能移动系统（如自动驾驶汽车和社交机器人）在高度交互和拥挤的场景中导航时实现安全和高质量的规划是必不可少的。由于场景演化中存在频繁的交互和不确定性，因此期望预测系统能够对不同实体进行关系推理，并为每个代理提供未来轨迹的分布。在本文中，我们提出了一个通用的生成神经系统（称为社会WaGDAT）的多智能体轨迹预测，这使得一步明确的交互建模，将关系归纳偏见与动态图形表示，并利用轨迹和场景上下文信息。我们还采用了一个有效的运动约束层应用于车辆轨迹预测，不仅确保物理可行性，但也提高了模型的性能。该系统在三个公共基准数据集上进行了评估，用于轨迹预测，其中代理涵盖行人，骑自行车者和道路车辆。实验结果表明，我们的模型实现了更好的性能比各种基线方法的预测精度。
2020-02-14 cs.CV cs.LG cs.MA
Mixture-of-experts for handwriting trajectory reconstruction from IMU sensors
IRISA（IRISA（法国国家科学研究中心、雷恩第一大学等联合组建的科研机构））；Universite de Rennes（雷恩第一大学）；INSA Rennes（雷恩国立应用科学学院）；Universite Rennes 2（雷恩第二大学）
该研究针对配备IMU传感器的数字笔手写轨迹重建问题，提出混合专家（MOE）模型，引入公开基准数据集，实现了比主流方法更优的手写轨迹重建效果。
2026-07-30 cs.LG
MonoTrack: Shuttle trajectory reconstruction from monocular badminton video
Stanford University（斯坦福大学）；Adobe Research（奥多比研究院）
轨迹估计是球拍运动分析的基本组成部分，因为轨迹不仅包含关于每个点的输赢的信息，而且还包含如何赢得或失去的信息。在羽毛球等运动中，球员可以从了解完整的3D轨迹中受益，因为羽毛球或球的高度提供了有价值的战术信息。不幸的是，3D重建是一个众所周知的难题，标准的轨迹估计器只能跟踪2D像素坐标。在这项工作中，我们提出了第一个完整的端到端的系统，用于从单目羽毛球视频中提取和分割3D穿梭轨迹。我们的系统集成了羽毛球领域的知识，如球场尺寸，投篮位置，运动的物理规律，以及基于视觉的功能，如球员姿势和穿梭跟踪。我们发现，需要进行重大的工程努力和模型改进，以使整个系统具有鲁棒性，并作为我们工作的副产品，提高法院识别，2D轨迹估计和命中识别的最先进的结果。
2022-05-18 cs.CV cs.LG cs.MM
Variational Relational Point Completion Network
Nanyang Technological University（南洋理工大学）；SenseTime Research（商汤科技研究院）；Shanghai AI Laboratory（上海人工智能实验室）
由于视点、遮挡和噪声的影响，实际扫描的点云往往是不完整的。现有的点云完成方法往往会生成全局形状骨架，因此缺乏精细的局部细节。此外，他们大多学习确定性的部分到完整的映射，但忽略了人造物体的结构关系。为了应对这些挑战，本文提出了一个变分框架，变分关系点完成网络（VRCNet）具有两个吸引人的属性：1）概率建模。特别是，我们提出了一个双路径架构，使原则概率建模部分和完整的云。一条路径消耗完整的点云，通过学习点VAE进行重建。另一条路径生成部分点云的完整形状，其嵌入分布由训练期间从重建路径获得的分布指导。2)关系增强。具体而言，我们精心设计的点自注意核和点选择核模块，利用关系点的功能，细化局部形状细节的条件下，粗略完成。此外，我们还贡献了一个多视图部分点云数据集（MVP数据集），其中包含超过100，000个高质量扫描，可以为每个3D CAD模型呈现来自26个均匀分布的相机姿势的部分3D形状。大量的实验表明，VRCNet在所有标准点云完成基准测试中的表现优于最先进的方法。值得注意的是，VRCNet在现实世界的点云扫描上显示出很强的通用性和鲁棒性。
2021-04-20 cs.CV cs.LG
Domain adaptation for handwriting trajectory reconstruction from IMU sensors
IRISA（IRISA（法国国家信息与自动化研究所联合研究中心））；Universite de Rennes（雷恩大学）；INSA Rennes（雷恩国立应用科学学院）；Universite Rennes 2（雷恩第二大学）
针对成人与儿童手写传感器信号差异问题，研究提出领域适应方法构建统一特征表示，对比从零训练、微调模型，以实现IMU传感器的手写轨迹重建。
2026-07-30 cs.LG
A Theory of Relation Learning and Cross-domain Generalization
The University of Edinburgh（爱丁堡大学）；Max Planck Institute for Psycholinguistics（马克斯·普朗克心理语言学研究所）；Radboud University（拉德堡德大学）；University of Illinois（伊利诺伊大学）
该研究提出了一种基于类比推理的关系学习模型，能够从非关系性输入中学习结构化关系表示，并实现跨领域零样本学习。
2021-12-07 cs.AI cs.LG cs.NE
Seven-dimensional Trajectory Reconstruction for VAMOS++
GANIL, CEA/DRF - CNRS/IN2P3, Bd Henri Becquerel, BP 55027, F-14076 Caen Cedex 5, France（法国大重型离子加速器国家实验室，CEA/DRF - CNRS/IN2P3，亨利·贝克勒尔大道，BP 55027，F-14076 卡昂 Cedex 5）
针对VAMOS++谱仪大角动量接受度和非线性离子光学特性，提出一种基于深度神经网络的七维轨迹重建方法，通过引入反应位置坐标，克服了点状束斑假设的限制，提高了质量分辨率。
2026-07-01 cs.LG nucl-ex physics.ins-det
Spatially-Aware Graph Neural Networks for Relational Behavior Forecasting from Sensor Data
Uber Advanced Technologies Group（优步先进技术集团）；University of Toronto（多伦多大学）
在本文中，我们解决了从传感器数据的关系行为预测的问题。为了实现这一目标，我们提出了一种新的空间感知图神经网络（SpAGNN），模型代理在场景中的相互作用。具体来说，我们利用一个卷积神经网络来检测演员和计算他们的初始状态。然后，图神经网络通过消息传递过程迭代地更新参与者状态。受高斯信念传播的启发，我们将消息设计为邻近代理的输出分布的空间变换参数。我们的模型是完全可区分的，从而实现端到端的培训。重要的是，我们的概率预测可以在轨迹层面上对不确定性进行建模。我们通过在两个现实世界的自动驾驶数据集：ATG4D和nuScenes上实现对最先进技术的显著改进来证明我们方法的有效性。
2019-10-18 cs.CV cs.LG cs.RO
Online Handwriting Trajectory Reconstruction from Kinematic Sensors using Temporal Convolutional Network
IRISA, Université de Rennes, INSA Rennes（IRISA研究所、雷恩大学、雷恩国立应用科学学院）；IRISA, Université Rennes 2（IRISA研究所、雷恩第二大学）；LETG（LETG机构）
本研究针对数字笔与数位板采样率差异问题，结合动态时间规整与时间卷积网络架构，构建新基准数据集，实现从运动传感器信号到在线手写轨迹的高精度重建。
2026-07-30 cs.CV cs.LG
LaVR: Scene Latent Conditioned Generative Video Trajectory Re-Rendering using Large 4D Reconstruction Models
Meta；University of Maryland（马里兰大学）；University of Oxford（牛津大学）；UC Davis（加州大学戴维斯分校）
本文提出LaVR模型，通过利用大规模4D重建模型的潜在空间中的隐式几何知识，解决视频重绘中几何未条件化模型的空间感知不足和几何条件化模型对深度不准确的依赖问题，实现状态-of-the-art结果。
2026-04-02 cs.CV cs.LG
CoRe: Coherence and Relational Alignment for Multivariate Time Series Forecasting
College of Computer and Information Technology, China Three Gorges University（三峡大学计算机与信息学院）；City University of New York（纽约城市大学）；University of California, Berkeley（加州大学伯克利分校）；Emory University（埃默里大学）
CoRe提出一种模型无关的损失函数，通过频率相干性和低秩关系图约束替代逐点误差，提升多元时间序列直接预测的结构保真度，实验证明其能稳定增强多种基线模型。
2026-09-18 cs.LG
An Exploratory Assessment of LLM's Potential Toward Flight Trajectory Reconstruction Analysis
Purdue University（普渡大学）
本文探索性评估了开源大语言模型 LLaMA 2 利用含噪声的 ADS-B 数据重建飞行轨迹的能力，发现其在噪声过滤和线形/曲线轨迹估计上表现良好，但在长序列处理上受令牌长度限制，为航空与交通领域应用提供了新思路。
2024-01-11 cs.AI cs.LG eess.SP
Video Reconstruction using Diffusion-based Image-to-Video Generation with Trajectory Guidance
Department of Electrical and Computer Engineering, National Technical University of Athens, Greece（电气与计算机工程系，希腊国家技术大学雅典分校）；Department of Product and Systems Design Engineering, University of the Aegean, Syros, Greece（产品与系统设计工程系，爱琴海大学锡罗斯分校）
本文提出利用预训练的图像到视频扩散模型，通过GPS轨迹引导生成无人机视频的缺失或丢失帧，无需领域特定微调，展示了在低纹理和小目标条件下视频重建的有效性。
2026-05-14 cs.CV cs.LG
Temporal Gradient Inversion for Private Trajectory Reconstruction in Embodied Reinforcement Learning
University of Kentucky（肯塔基大学）；Washington University in St. Louis（圣路易斯华盛顿大学）
针对具身强化学习分布式训练，提出TRACE时间梯度反演攻击，利用跨时间相关性与闭式动作恢复，自回归重建私有轨迹，实现高PSNR与近完美动作恢复，且速度远超基线。
2026-11-10 cs.LG
Variational Relational Point Completion Network for Robust 3D Classification
Nanyang Technological University（南洋理工大学）；SenseTime Research（商汤科技研究院）；Shanghai AI Lab（上海人工智能实验室）
本文提出变分关系点云补全网络VRCNet，通过双路径概率建模与点自注意力、选择性核模块增强局部细节，并构建MVP系列数据集，在补全基准和真实扫描上取得领先性能，显著提升部分点云的三维分类准确率。
2023-04-18 cs.CV cs.LG
Learning Heterogeneous Interaction Strengths by Trajectory Prediction with Graph Neural Network
Korea Advanced Institute of Science and Technology（韩国科学技术院）
具有交互代理的动态系统在本质上是通用的，通常由其组成部分之间的关系图建模。最近，已经提出了各种工作来解决通过深度神经网络从系统轨迹推断这些关系的问题，但是为了简单起见，大多数研究假设二进制或离散类型的相互作用。在现实世界中，相互作用核通常涉及连续的相互作用强度，这不能用离散关系精确地近似。在这项工作中，我们提出了关系型注意推理网络（RAIN）来推断连续加权的交互图，而无需任何地面真实交互强度。我们的模型采用了一种新的成对注意力（PA）机制来细化的轨迹表示和图形Transformer提取异构的交互权重为每对代理。我们表明，我们的RAIN模型与PA机制准确地推断连续的相互作用强度模拟物理系统在无监督的方式。此外，RAIN与PA成功地预测轨迹从运动捕捉数据与可解释的交互图，展示了建模未知的动态与连续的权重的优点。
2022-11-24 cs.LG
Neural Relational Inference with Efficient Message Passing Mechanisms
Sun Yat-sen University（中山大学）
许多复杂的过程可以看作是相互作用的动力系统。在许多情况下，只观察到单个代理的状态序列，而相互作用的关系和动力学规则是未知的。神经关系推理（NRI）模型采用图神经网络，通过潜在图传递消息，以根据观察到的数据共同学习关系和动态。然而，NRI独立推断的关系，遭受的多步预测在动态学习过程中的误差积累。此外，在更复杂的系统中，没有先验知识的关系重构变得更加困难。针对这些问题，本文在具有结构先验知识的图神经网络中引入了有效的消息传递机制。提出了一种关系交互机制来捕获所有关系的共存，并提出了一种时空消息传递机制，利用历史信息来减轻错误积累。此外，结构先验知识，对称性作为一种特殊情况下，更好地预测在更复杂的系统中的关系。在模拟物理系统上的实验结果表明，该方法优于现有的最先进的方法。
2021-01-23 cs.AI cs.LG
Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction and Tracking
University of California, Berkeley（加州大学伯克利分校）
提出STG-DAT生成式神经系统，利用动态图、关系归纳偏置和双重注意力建模异构智能体交互，并加入运动学约束，在三个基准上提升轨迹预测与多目标跟踪精度。
2021-02-18 cs.AI cs.CV cs.LG
Self-Growing Spatial Graph Network for Context-Aware Pedestrian Trajectory Prediction
Nanyang Technological University（南洋理工大学）
行人轨迹预测是一个活跃的研究领域，最近的工作是将行人社会互动及其上下文顺应性的准确模型嵌入到动态空间图中。然而，现有的作品依赖于空间的场景和动态的假设，这需要一个重大的挑战，以适应在未知的环境中的在线系统的图形结构。此外，还缺乏评估方法的关系建模预测性能的影响。为了填补这一空白，我们提出了社会轨迹推荐门控图递归邻域网络（STR-GGRNN），它使用基于上下文场景特征和行人视觉线索的数据驱动的自适应在线邻域推荐。通过在线非负矩阵分解（NMF）来构造用于预测行人轨迹的图邻接矩阵，从而实现邻域推荐。在ETH-UCY数据集上的实验结果表明，该方法的性能优于现有方法，最佳模型在ETH-UCY数据集上达到了12 cm ADE和$\sim$ 15 cm FDE。当每帧采样总共20 K个未来轨迹时，所提出的方法仅需要0.49秒。
2020-12-21 cs.CV cs.LG
BERT4Traj: Transformer Based Trajectory Reconstruction for Sparse Mobility Data
University of Georgia（佐治亚大学）；Department of Geography University of Georgia（佐治亚大学地理系）；College of Public Health University of Georgia（佐治亚大学公共卫生学院）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出基于Transformer的BERT4Traj模型，通过预测稀疏序列中的隐藏访问来重建完整移动轨迹，并在真实CDR和GPS数据上显著优于传统基线模型。
2025-07-03 cs.AI cs.LG
Multi-agent Trajectory Prediction with Fuzzy Query Attention
University of Southern California（南加州大学）；Peking University（北京大学）
多智能体和实体场景的轨迹预测在交通预测、行人跟踪和路径规划等领域都是一个具有挑战性的问题。我们提出了一个通用的架构，以解决这一挑战，模型的关键归纳偏见的运动，即惯性，相对运动，意图和相互作用。具体来说，我们提出了一个关系模型，灵活地模拟不同环境中的代理之间的交互。众所周知，人类的决策本质上是模糊的，因此我们的模型的核心是一种新的注意力机制，它通过做出连续值（模糊）决策和学习相应的响应来模拟交互。我们的架构在不同领域（如人类人群轨迹、美国高速公路交通、NBA体育数据和物理数据集）的现有最先进的预测模型上表现出显着的性能提升。我们还提出了消融和增强，以了解我们的模型中的决策过程和收益的来源。
2020-10-29 cs.CV cs.LG
Behavior-Inspired Neural Networks for Relational Inference
Princeton University（普林斯顿大学）
本文提出在可观测行为与潜在关系类别之间引入抽象层级，将学习到的类别偏好与智能体邻近性整合进非线性观点动力学模型，以自然识别互斥关系类别、预测智能体演化并控制行为，并通过实验验证其在可解释类别学习和长时域轨迹预测中的有效性。
2025-03-11 cs.LG cs.RO
HERMES: Heterogeneous Edge-Relational Multi-Head Embedded SSM Attention for Traffic Conflict Prediction at Signalized Intersections
研究针对交通冲突预测，提出HERMES异构边缘关系图神经网络，利用特定关系注意力等方法，在多指标上表现优异，优于基线模型，联合训练提升目标站点性能，为信号交叉口路边安全监测提供支持。
2026-07-24 cs.LG cs.RO
Super-resolution in Molecular Dynamics Trajectory Reconstruction with Bi-Directional Neural Networks
Technische Universität Berlin（柏林工业大学）；BIFOLD – Berlin Institute for the Foundations of Learning and Data（BIFOLD——柏林学习与数据基础研究所）；Korea University（高丽大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Google Research（谷歌研究院）；Universidad Nacional Autónoma de México（墨西哥国立自治大学）
分子动力学模拟是科学的基石，允许从系统的热力学研究分析复杂的分子相互作用。通常，例如，当运行$ab-initio$模拟时，创建扩展的分子轨迹可能是计算上昂贵的过程。因此，重复这样的计算以获得更精确的热力学或获得由细粒度量子相互作用产生的动力学的更高分辨率可能是耗时和计算消耗的。在这项工作中，我们探索了不同的机器学习（ML）方法，以提高分子动力学轨迹在后处理步骤中的分辨率。作为概念证明，我们分析了双向神经网络的性能，如神经ODE，Hamilton网络，递归神经网络和LSTM，以及作为参考的单向变体，用于分子动力学模拟（这里：MD 17数据集）。我们发现，Bi-LSTM是性能最好的模型;通过利用恒温轨迹的局部时间对称性，它们甚至可以学习长程相关性，并对分子复杂性中的噪声动力学表现出高度鲁棒性。我们的模型在轨迹插值中可以达到高达10 $^{-4}$埃的精度，同时忠实地重建了几个完整的看不见的复杂高频分子振动周期，使学习轨迹和参考轨迹之间的比较难以区分。在这项工作中报告的结果可以作为（1）作为一个更大的系统的基线，以及（2）更好的MD积分器的建设。
2022-01-02 cs.AI cs.LG physics.chem-ph
