本研究研究了通过模块化和数据增量方法对神经网络在基于自然语言语境的学习中实现系统化综合的影响，并发现具有认知过程至少两个模块的神经网络比非模块基线更容易通过扩充数据实现系统化综合。

Feb, 2022

本研究系统地总结了机器学习中的系统化推广方法，并从经典派和联结派等不同角度介绍了其相关信息。我们重点讨论了不同类型的联结派及其如何处理推广问题，并探讨了在语言、视觉和 VQA 等领域中的应用。此外，我们还讨论了相关的变量绑定和因果问题，并简要介绍了最新的研究进展，希望能为未来的研究提供一定的背景和参考。

Nov, 2022

我们对神经语言模型的句法知识进行了系统评估，发现模型架构的不同对句法泛化性能产生了显著影响，而不同数据集大小的影响相对较低。

May, 2020

本文讨论深度自然语言理解模型的系统性问题，通过在自然语言推理（NLI）中进行一系列实验，证明了一些 NLU 系统虽然不具备系统性，但仍能够达到高的整体表现。

May, 2020

通过对人类意义学习能力的重新审视，本文重新评估语序 - 语序模型在新旧概念之间语义联系的条件下所具有的组合技能，证明了它能够通过语义关联来成功地进行一次性泛化到新概念和组合中，这为更高级的学习方案揭示了现代神经网络在系统概括中的潜力。

Mar, 2020

通过扩展语义解析的组成概括工作，我们为生成与知识图谱配对的自然语言问题开发了一种方法，以在不受限于语言模型权重隐式编码的信息的同时，对这些模型从知识图谱中学习和概括程度进行控制性评估，我们发现现有的将语言模型与知识图谱组合的方法在未见过长度序列和新组合的基础组件方面存在泛化问题，因此，我们希望我们的工作和发布的数据集能够促进未来研究并探索如何更好地将语言模型与结构化知识表示相结合的方法。

Jun, 2024

通过研究可视化问答问题，我们发现培训数据多样性对于实现系统化概括至关重要，而简单任务的多样性在实现系统化概括方面起着关键作用。同时，我们观察到神经模块网络利用了我们评估的所有数据多样性形式，而整体架构需要更多的数据来实现相同的效果。这些发现对于理解数据多样性设计、神经网络架构和系统化概括能力之间的相互作用提供了初步的认识。

Sep, 2023

通过使用迭代学习方法，作者提出了一种新的正则化技术来促进神经模块网络结构语言化的形成，从而使其支持系统化推理和解决复杂视觉问答任务。实验结果表明，在形成结构化语言方面，这种方法比基准方法更出色，并且对于 SHAPES-SyGeT 和 CLEVR 数据集上的系统化推理任务，也实现了优异的性能表现。

May, 2021

通过动态消息传递学习对象的情境嵌入，我们提出了一种新的方法，以输入的自然语言为条件，并通过端到端深度学习模块进行训练，以实现系统化泛化，该模型在 grounded-SCAN 上达到了最优性能。

Sep, 2020

本文介绍了一种评估神经模型能否学习自然语言的单调性推理系统性的方法，并考虑了语法结构的重要性，实验表明神经模型的推理性能在语法结构相同的情况下很好。

Apr, 2020