作者：Beomseok Kang, Priyabrata Saha, Sudarshan Sharma, Biswadeep Chakraborty, Saibal Mukhopadhyay
来源：NeurIPS 2024
单位：Georgia Institute of Technology
发表日期：2024.11
背景
很多场景下都有多个智能体同时活动并相互影响，智能体之间存在着复杂的交互关系，这些关系会随着时间不断变化。
然而传统方法通常假设交互关系静态不变，难以捕捉智能体行为背后由其他体引发的时序影响，从而限制了多智能体行为识别与预测的准确性。
论文贡献
1、提出了一个新模型ORI（Online Relational Inference），结合了图神经网络结构的动态推理框架，捕捉智能体之间随时间演变的交互关系。
ORI 是首个面向演化多智能体系统、无需模型结构假设的在线关系推理框架。
该方法通过在线反向传播方式，仅基于轨迹状态数据自动更新图结构（邻接矩阵），而不依赖预定义交互模型或先验知识。
通过实验证明，ORI 识别了各种演化多智能体交互系统中未知的交互图，优于现有的NRI 模型
2、提出了一种自适应学习率技术 AdaRelation，以预测表现控制学习率变化幅度，保持图结构稳定性
3、提出一种对轨迹进行轴对称反转的数据增强方法Trajectory Mirror ，用于提升模型在面对路径旋转或镜像下的结构推理鲁棒性。
实验过程
数据集：所有实验数据集都来自于合成物理环境模拟，环境由NRI代码库生成，此外，模型还在 CMU MoCap 真实动作数据集上进行评估，验证其在现实复杂交互模式中的适应性。
| 数据集名称 | 含义 |
| Spring | 模拟智能体通过弹簧连接的物理交互 |
| Charged | 智能体带电，相互吸引/排斥 |
| Kuramoto | 多振荡器同步建模 |
| Swarm | 群体运动，模仿生物或机器人集群 |
ORI模块结构图：
状态输入x_t →状态编码器→图结构预测：生成邻接矩阵 A~t→图神经网络→解码器→状态输出x_t+1
自适应学习率技术 AdaRelation：
实验结果
自适应学习率机制验证实验
ORI稳定性与泛化能力实验
消融实验
移除邻接矩阵更新机制
移除自适应学习率更新机制
同时移除邻接矩阵更新与学习率机制
总结
1、本文提出了动态关系建模框架ORI，图结构（邻接矩阵）随时间演化，能更实地反应环境中不断变化的智能体关系。
2、提出自适应学习率机制AdaRelation，在无监督训练中，系统根据邻接矩阵的变化自动调整学习率，提高模型对图结构变化的响应速度，减少误学习
3、采用无监督学习，仅依赖状态数据推理智能体关系网络，适用于标签稀缺或成本高的环境。
4、实验包括合成数据（Spring/Charged）和真实数据（MoCap），并验证了模型在结构突变、不同复杂度下的适应性和稳定性。
5、ORI 作为可集成模块，可嵌入其他图神经网络架构中，文中与 NRI、MPM 等现有模型组合使用，具有通用性和扩展性。
6、ORI 的结构推理方法仅依赖智能体的状态信息（如速度与位置），无需显式通信或行为标签，适用于隐蔽性任务或敌对环境中的交互建模。