神经关系推理模型使用教程

神经关系推理模型使用教程

NRI Neural relational inference for interacting systems - pytorch 项目地址: https://gitcode.com/gh_mirrors/nri1/NRI

1. 项目介绍

本项目是基于PyTorch的开源项目，实现了神经关系推理（Neural Relational Inference，NRI）模型。该模型是一种无监督学习模型，能够从观测数据中学习系统内各部分的交互关系和动态行为。NRI模型采用变分自编码器（Variational Auto-Encoder，VAE）的形式，其中潜在代码代表了底层的交互图，而重建部分基于图神经网络（Graph Neural Networks）。该模型适用于分析自然界中的交互系统，如物理系统中的动态系统以及复杂的社会动态等。

2. 项目快速启动

首先，确保你的环境中已经安装了PyTorch 0.2版本（注意0.3版本不兼容），以及Python 2.7或3.6版本。

数据生成

要重现实验中模拟物理数据的结果，首先需要生成训练、验证和测试数据集。执行以下命令：

cd data
python generate_dataset.py

如果要生成带电粒子的数据集，请使用：

python generate_dataset.py --simulation charged

模型训练

从项目根目录下，运行以下命令来训练NRI模型：

python train.py

如果你需要指定不同的数据集，可以通过修改--suffix参数来实现。例如：

python train.py --suffix charged5

如果要单独训练编码器或解码器，可以分别运行：

python train_enc.py

或

python train_dec.py

项目提供了多种训练选项，具体可以查看相应的训练文件。

此外，项目还提供了LSTM基线的代码，可以按以下方式运行：

python lstm_baseline.py

3. 应用案例和最佳实践

NRI模型在模拟物理系统中表现出了优异的性能，能够准确地恢复 ground-truth 交互。在实际的运动捕捉和体育跟踪数据中，模型也能够找到可解释的结构并预测复杂的动态行为。在应用NRI模型时，以下是一些最佳实践：

• 确保数据集的质量和多样性，这对于模型学习到有效的交互关系至关重要。
• 仔细调整模型的超参数，以获得最佳性能。
• 使用相同的预处理和评估脚本来保证实验结果的可比性。

4. 典型生态项目

NRI模型作为一种分析交互系统的方法，其应用不仅限于物理系统，还可以扩展到其他领域。以下是一些可能的应用生态项目：

• 社交网络分析：用于理解社交网络中个体之间的关系和群体行为。
• 生物信息学：分析生物分子之间的相互作用，以预测蛋白质结构和功能。
• 经济系统模拟：模拟市场中不同参与者之间的交互，以预测市场动态。

NRI Neural relational inference for interacting systems - pytorch 项目地址: https://gitcode.com/gh_mirrors/nri1/NRI