关系门控在“What If”推理中的应用
本研究使用关系网络（RNs）作为简单的即插即用模块来解决需要基于关系推理的问题，并在三个任务中测试了RN增强网络，在使用挑战性数据集CLEVR进行视觉问答时，取得了超越人类的最好表现；使用bAbI套件的任务进行基于文本的问答；以及关于动态物理系统进行复杂的推理。使用一个精选的数据集Sort-of-CLEVR，表明强大的卷积网络不具备解决关系问题的一般能力，但可以在增加RN的情况下获得这种能力。我们的工作展示了如何利用配备RN模块的深度学习架构隐式地发现并学习实体及其关系。
Jun, 2017
本文提出了一种基于自然语言句子来生成图神经网络参数的方法（GP-GNNs），使GNN能够处理非结构化文本输入的关系推理，验证了在文本关系抽取中的有效性，并展示了我们的模型通过多跳关系推理可以发现更准确的关系。
Feb, 2019
本文提出了一种基于场景上下文化表征的图网络模型，通过文本输入的迭代信息传递来构建物体的语境化表达，以支持关系推理，实验结果表明该方法有效地提高了多项任务和数据集的表现。
May, 2019
本论文提出了一种新颖的知识感知方法，将预训练语言模型与多跳关系推理模块相结合，对外部知识图谱子图进行多跳关系推理。该方法统一了基于路径的推理方法和图神经网络，提高了可解释性和可伸缩性，并在常识问答和开放式书面问答数据集上证明了其有效性和可伸缩性，并通过案例研究进行了解释。
May, 2020
本研究提出了一种利用自动带引的潜在文档级图进行跨句子的关系推理的方法，并通过增量聚合相关信息来提高多跳推理的准确性，取得了在DocRED，CDR和GDA数据集上的最新最优性能。
May, 2020
本研究旨在通过外部常识知识帮助解决学习因果推理的挑战，我们提出了一种新颖的多跳图推理模型来预测因果答案，从而在WIQA基准测试中实现了最先进的性能水平。
Mar, 2022
研究现代语言理解系统面临的一个重要挑战是回答隐含推理问题，本研究通过将推理步骤的推断与执行分离，探究当前模型为何难以应对隐含推理问答任务，并构建 IMPLICITRELATIONS 基准测试，评估 GPT-3 系列模型在任务上的表现，发现这些模型在隐含推理问答任务上表现不佳，但在推断隐含关系方面表现良好。这表明隐含推理问题的挑战不仅在于需要规划推理策略，而且在于在检索和推理相关信息的同时进行推理。
Apr, 2022
本文提出了一种新的RE-KBQA框架，利用知识库中的关系来增强实体表示并引入额外的监督方法以提高知识库问答的效果，通过实验证明此框架的优越性，从而提高F1分数。
May, 2023