具有高效消息传递机制的神经关系推断
机器学习
2021-01-26 v1 人工智能
摘要
许多复杂过程可视为交互智能体的动力学系统。在许多情况下，仅能观测到各智能体的状态序列，而交互关系与动力学规则未知。神经关系推断（NRI）模型采用图神经网络在隐图上传递消息，以基于观测数据联合学习关系与动力学。然而，NRI 独立推断关系，并在动力学学习过程中的多步预测上存在误差累积问题。此外，在无先验知识的复杂系统中关系重构更加困难。本文引入带有结构先验知识的高效消息传递机制至图神经网络以解决上述问题。提出关系交互机制以捕获所有关系的共存，并提出时空消息传递机制利用历史信息缓解误差累积。此外，引入结构先验知识（以对称性为特例）以在更复杂系统中实现更好的关系预测。在模拟物理系统上的实验结果表明，所提方法优于现有最先进方法。
引用
@article{arxiv.2101.09486,
title = {Neural Relational Inference with Efficient Message Passing Mechanisms},
author = {Siyuan Chen and Jiahai Wang and Guoqing Li},
journal= {arXiv preprint arXiv:2101.09486},
year = {2021}
}
备注
Accepted by AAAI 2021, 13 pages, 9 figures, 4 tables