摘要

本文关注的是学习解决需要一系列相互依赖的关系推理步骤的任务，例如回答关于物体之间关系的复杂问题，或者解决其中较小元素互相制约的谜题。我们引入了递归关系网络（Recurrent Relational Network），这是一种在对象图表示上操作的通用模块。作为对Santoro等人[2017]的关系网络的扩展，它可以增强任何神经网络模型进行多步关系推理的能力。通过递归关系网络，我们在bAbI文本问答数据集上取得了最先进的结果，能够持续解决20/20任务。然而，从关系推理的角度来看，bAbI并不特别具有挑战性，因此我们引入了一个新的诊断数据集——Pretty-CLEVR，用于关系推理的研究。在Pretty-CLEVR设置中，我们可以调整问题以控制获得答案所需的关系推理步骤数量。利用Pretty-CLEVR数据集，我们探讨了多层感知器、关系网络和递归关系网络的局限性。最后，我们展示了递归关系网络如何从监督训练数据中学习解决数独谜题，这是一项需要多达64步关系推理的具有挑战性的任务。在类似方法中，我们的方法达到了最先进的水平，解决了96.6%最难的数独谜题。