通过生成上下文无关文法来组织矩阵分解模型以进行模型选择，使用小型可重用算法估计预测似然和推断潜在组件，通过贪心搜索自动选择分解结构。

Oct, 2012

本文描述了串行和并行组合模型的多个对象，这些对象具有部分共享。 对象由部分子部件组成，并用对象部件的分层字典来表示。 我们描述了这些模型的推理和学习算法。 我们分析了这种模型的计算时间复杂度（对于串行计算机）和节点数（例如，“神经元”）（对于并行计算机）。 特别地，我们计算了由于部分共享而获得的复杂度收益及其取决于字典如何随分层级别与比例变化。 我们研究了三种不同的字典比例行为对算法的影响，并得出结论，表明在某些行为区间内，使用共享部分使算法能够在指数级别的对象中实现线性时间推理。 在其他行为区间中，与串行计算机相比，部分共享的优势不大，但可以在并行计算机上实现线性处理。

Jan, 2013

本论文通过对人工数据任务的实验，研究了基于树结构和基于序列的神经网络模型对于递归组合结构的应用效果。结果表明，基于序列的LSTM模型同样能够识别该结构并进行相应运用，但树结构模型在处理这种结构时表现更为出色。

Jun, 2015

描述了一种评估向量空间和离散码等机器学习输入表示中组成结构程度的程序，并使用这种程序探索了这种组成结构与学习动态、人类判断、表示相似性和泛化之间的关系。

Feb, 2019

本研究基于多种语言和哲学理论对构成性的不同解释，提出了五个理论有据的测试方法，用于评估神经语言模型的构成性能力，结果分析了三种常见神经网络结构在高度构成性数据集上的表现和潜在改进方向。

Aug, 2019

该研究介绍了一个名为ConceptWorld的环境，用于生成通过逻辑领域特定语言定义的构成和关系概念的图像。研究测试了标准神经网络和关系网络的泛化能力，并提出了一个潜在的基准模型，以鼓励在构成和关系领域有效泛化的模型的发展。

Jun, 2020

在本文中，我们提出了一个统一的框架来解决神经网络在实现人类水平泛化方面的困难，并认为这种组合方法对于实现人类水平泛化是至关重要的。通过从神经科学和认知心理学的丰富研究中获取灵感，并调查机器学习文献中的相关机制，我们确定了一些归纳偏见的组合，让符号信息处理在神经网络中自然地出现。

Dec, 2020

本文探讨了使用不同的自监督学习算法所学到的表示在复合泛化上的能力，研究发现，与其它算法相比，使用EL模型学习到的表示具有更强的复合泛化能力，但在训练简单模型并使用少量标签进行泛化时直接使用瓶颈表示会导致泛化性能较差，同时现有的度量复合性的指标与本文的评价方法不相关

Oct, 2022

利用模型修剪技术，在视觉和语言领域的各种架构、任务和预训练方案中，研究神经网络是否通过模块化子网络实现子程序的解决方案，结果表明神经网络通常可以展示组合性，避免了专门的符号机制。

Jan, 2023

本文讨论在预先训练的视觉与语言模型中向量数据嵌入的组合结构，提出一种基于理想词向量的新的合成性表达方法，并探讨其与数学表示理论和去耦合表示概念的联系。作者提供理论和经验证据表明，理想词嵌入提供良好的组合近似和比基于标记的分解更有效的组合表示方法。

Feb, 2023