通过轨迹预测与图神经网络学习异质相互作用强度
机器学习
2022-11-28 v2
摘要
具有相互作用个体的动力系统在自然界中普遍存在，通常建模为 constituent 之间关系的图。近来已有多种工作通过深度神经网络从系统轨迹推断这些关系，但多数研究为简便起见假定二值或离散类型的相互作用。在真实世界中，相互作用核常涉及连续相互作用强度，无法由离散关系准确近似。本工作中，我们提出关系注意力推断网络（RAIN）以在无需任何真实相互作用强度的情况下推断连续加权相互作用图。我们的模型采用一种新颖的成对注意力（PA）机制来精炼轨迹表示，并采用图 transformer 为每一对个体提取异质相互作用权重。我们展示了带 PA 机制的 RAIN 模型能以无监督方式准确推断模拟物理系统的连续相互作用强度。此外，带 PA 的 RAIN 能从运动捕捉数据成功预测轨迹并给出可解释的相互作用图，展示了以连续权重建模未知动力学的优势。
引用
@article{arxiv.2208.13179,
title = {Learning Heterogeneous Interaction Strengths by Trajectory Prediction with Graph Neural Network},
author = {Seungwoong Ha and Hawoong Jeong},
journal= {arXiv preprint arXiv:2208.13179},
year = {2022}
}
备注
14 pages, 8 figures