23、动态图：时空图神经网络中的神经关系推理

动态图：时空图神经网络中的神经关系推理

在处理动态图相关问题时，神经关系推理（Neural Relational Inference，NRI）模型是一个强大的工具。它主要由编码器（Encoder）和解码器（Decoder）两部分组成，编码器将初始节点数据转换为边概率，解码器则根据这些边概率预测未来的轨迹。

1. NRI模型基础

NRI模型的核心代码如下：

predictions = self.decoder( 
    inputs[:, -1].unsqueeze(1),  
    edges,  
    prediction_steps=prediction_steps,  
    teacher_forcing=False, 
    state=decoder_state 
)
if return_everything: 
    predictions = torch.cat([
        tmp_predictions,
        Predictions
    ], dim=1) 
return (predictions, edges) if return_edges else predictions 

这段代码展示了如何使用解码器进行未来步骤的预测。如果需要，还可以将初始预测和未来预测进行拼接。最终根据是否需要返回边信息，返回预测结果或预测结果与边信息。

2. 编码姿态数据

编码器在NRI模型中起着关键作用，它将输入数据转换为低维的边数据表示，使得后续的解码过程更加容易。
-