本文研究深度多智能体模拟中涌现的语言是否具有类似于人类语言组合性的能力，通过分离表示学习中的受启发的新的衡量组合性的方法建立了三个主要结果：在有足够的输入空间的情况下，新概念的组合性将自然而然地产生；组合性的程度与语言的泛化能力无关；虽然组合性对于泛化来说不是必要的，但对于语言传递来说提供了优势。

Apr, 2020

本篇论文提出一种内在奖励框架，通过强化学习设置两个代理，以在三个不同的指称游戏环境下将有限通道容量与内在奖励相结合，提高新颖环境下组合性得分约 1.5-2 倍。

Dec, 2020

通过基于自由能原理的预测编码和主动推理框架，将视觉、本体感知和语言集成到一个受脑启发的神经网络模型中，通过多种模拟实验及机械臂的测试，研究表明，在增加任务组合的变异性时，对于学习未知的动词 - 名词组合的泛化能力得到了显著提升，这归因于语言潜在状态空间中的自组织组合结构被感觉运动学习显著影响，视觉注意和工作记忆对于准确生成视动序列以实现语言表示目标具有重要作用，这些结果推进了我们对通过语言和感觉运动经验相互作用发展组合性机制的理解。

Mar, 2024

本研究介绍了将文化演化动态引入语言出现过程中，通过定期更换人群中的代理以创建知识差距来提高语言的组成通用性。

Apr, 2019

本文研究了语言中的复合性在普遍性和人类认知中的作用，并通过两个代理人之间的沟通博弈，证明了当在适当的数据集上进行评估时，复合性确实似乎对成功的泛化至关重要。

Jun, 2022

研究了深度神经网络智能体在 Lewis 游戏中的模仿学习行为， 发现了组合性与模仿学习之间的关系， 带来了两个贡献：一是不同类型的学习算法对语言的影响， 二是发现组合性语言的易于模仿性

May, 2023

本文研究了如何在多智能体种群中产生基础的组合语言，并观察到当语言交流不可用时，指向和引导等非语言交流方式的出现。

Mar, 2017

提出通过遵循组成性原则来训练神经网络解决语言理解的挑战，并通用地应用于多种领域，进而提高机器人的安全性和公平性，所提出的网络能够显着提高自然语言理解能力，且在实现先前工作所不能实现的泛化能力的同时还提供了可解释性的层面。

Aug, 2020

通过提出神经迭代学习算法 (NIL)，促进交互神经网络代理人创建一种更为结构化的语言，由于这种基于组合性的语言的学习速度优势及泛化性能的提升，在推理和传输方面有着重要意义。

Feb, 2020

本文探讨了关于 emergent communication 和 language origins 中 compositionality 和 reflexivity 的不同标准，指出了在未来的研究中注重 reflexivity 而非 compositionality 的重要性，并提供了一些有用的参考文献。

Nov, 2019