用于交互系统的神经关系推理

本仓库包含以下论文的官方 PyTorch 实现：

用于交互系统的神经关系推理。
Thomas Kipf*、Ethan Fetaya*、Kuan-Chieh Wang、Max Welling、Richard Zemel。
https://arxiv.org/abs/1802.04687 (*：共同第一作者)

摘要： 交互系统在自然界中广泛存在，从物理学中的动力系统到复杂的社会动态皆是如此。各组成部分之间的相互作用能够产生复杂的动态行为，而这些行为往往可以通过对系统组成要素的简单建模来解释。在本文中，我们提出了神经关系推理（NRI）模型：一种无监督学习模型，它能够在仅利用观测数据的情况下，同时学习系统的相互作用和动力学演化规律。我们的模型采用变分自编码器的形式，其中潜在编码表示底层的交互图，而重构过程则基于图神经网络。在对模拟物理系统的实验中，我们证明了 NRI 模型能够以无监督的方式准确地恢复真实交互关系。此外，我们还展示了该模型能够在真实的动作捕捉和体育运动跟踪数据中发现可解释的结构，并预测复杂的动态行为。

环境要求

• PyTorch 0.2（0.3 版本会导致仿真解码器出错）
• Python 2.7 或 3.6

数据生成

为了复现关于模拟物理数据的实验，首先需要通过运行以下命令生成训练集、验证集和测试集：

cd data
python generate_dataset.py

这将生成弹簧系统数据集；若需生成带电粒子数据集，请使用 --simulation charged 参数。

注意：为获得可比较的结果，请务必使用与我们代码发布版本相同的预处理和评估脚本（包括损失函数）。

运行实验

从项目根目录下，直接运行以下命令即可训练一个基于弹簧系统数据集的神经关系推理（NRI）模型：

python train.py

您可以通过修改 suffix 参数指定不同的数据集，例如 --suffix charged5 将在已生成的含 5 个带电粒子的仿真数据上运行模型。

若需单独训练编码器或解码器，可分别运行：

python train_enc.py

或

python train_dec.py

我们提供了多种训练选项，具体说明请参阅相应的训练脚本。

此外，我们还提供了 LSTM 基线模型的代码（论文中称为 LSTM (joint)），可通过以下命令运行：

python lstm_baseline.py

引用

如果您在自己的研究工作中使用了本代码，请引用我们的论文：

@article{kipf2018neural,
  title={Neural Relational Inference for Interacting Systems},
  author={Kipf, Thomas and Fetaya, Ethan and Wang, Kuan-Chieh and Welling, Max and Zemel, Richard},
  journal={arXiv preprint arXiv:1802.04687},
  year={2018}
}

NRI (Neural Relational Inference) 快速上手指南

NRI 是一个无监督模型，用于从观测数据中推断交互系统的潜在关系图并学习其动力学特性。本项目基于 PyTorch 实现，适用于物理模拟、动作捕捉及运动追踪等场景。

环境准备

在开始之前，请确保您的系统满足以下要求。注意：版本兼容性至关重要，高版本 PyTorch 可能导致解码器失效。

• 操作系统: Linux / macOS / Windows
• Python 版本: 2.7 或 3.6
• PyTorch 版本: 0.2 (严禁使用 0.3 及以上版本，否则仿真解码器将无法工作)
• 其他依赖: 标准科学计算库 (如 numpy, scipy 等，通常随 PyTorch 环境配置)

国内加速建议： 安装 PyTorch 旧版本较为困难，建议使用国内镜像源或手动下载对应版本的 .whl 文件进行安装。

• 清华镜像源：https://pypi.tuna.tsinghua.edu.cn/simple
• 中科大镜像源：https://pypi.mirrors.ustc.edu.cn/simple

安装步骤

由于项目依赖较旧的 PyTorch 版本，建议先创建独立的虚拟环境（以 Python 3.6 为例）：

1. 克隆仓库

   git clone https://github.com/ethanfetaya/NRI.git
   cd NRI
   

2. 安装特定版本的 PyTorch 请根据您的 CUDA 版本选择对应的 PyTorch 0.2 安装命令。若无法通过 pip 直接找到 0.2 版本，需前往 PyTorch 官网历史版本页面或国内镜像站手动下载适配的 wheel 包安装。

   示例（仅供参考，具体需匹配本地环境）：

   pip install torch==0.2.0.post4 -i https://pypi.tuna.tsinghua.edu.cn/simple
   

3. 安装其他依赖 如果项目根目录有 requirements.txt，请运行：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   若无该文件，通常只需确保 numpy 和 scipy 已安装即可。

基本使用

1. 生成数据集

在训练模型前，首先需要生成模拟物理数据（默认为弹簧系统）。

cd data
python generate_dataset.py

• 提示：若要生成带电粒子数据集，请使用参数 --simulation charged。

  python generate_dataset.py --simulation charged
  

2. 训练模型

返回项目根目录，运行以下命令开始在弹簧数据集上训练 NRI 模型：

cd ..
python train.py

• 切换数据集：通过修改 --suffix 参数指定不同数据集。例如，训练包含 5 个粒子的带电粒子模型：

  python train.py --suffix charged5
  

3. 独立训练组件（可选）

如果您希望单独训练编码器或解码器，可分别运行：

python train_enc.py

或

python train_dec.py

4. 运行基线对比（可选）

运行论文中提到的 LSTM 基线模型（LSTM (joint)）：

python lstm_baseline.py

---

注：为了获得与论文一致的可比结果，请务必使用代码库中提供的预处理和评估脚本，并注意损失函数的设置。