神经网络的复杂关系推理，什么是关系推理？考虑下面的图像。几乎不可能不把它当作对象;球体，立方体等等。我们可以根据构成图像像素值的数百万个数字来考虑它。或者图像中所有边缘的角度。或者考虑每个10x10像素区域。相反，我们直观地根据它们识别图像的对象和原因。
尝试回答以下问题：“大球体剩下的棕色金属物体剩下的圆柱体大小是多少？”这是CLEVR数据集中的一个示例问题。为了回答这个问题，你需要考虑物体相对于彼此的相对位置。这种以对象和交互为中心的思维被称为关系推理，它是人类智能的核心部分。
深度神经网络非常善于识别物体，但是当涉及到他们的相互作用的推理时，即使是最先进的神经网络也在努力。例如，现有技术的卷积网络可以容易地识别上述图像中的每个对象，但是由于需要关于彼此相关的对象的推理而未能尝试回答该问题。
关系网络
关系网络（RN）它是一个简单的模块，可以为任何神经网络添加关系推理能力。他们将RN添加到其他标准卷积网络中，并在CLEVR数据集上实现超人类性能。
RN是向前迈出的重要一步，但它有一定的局限性。构造它的方式，每个识别的对象只能与其他识别的对象进行一次交互，之后网络必须给出答案。这限制了RN，因为它无法推断导出的交互，即影响对象B的对象A，而对象A又影响对象C，等等。在RN中，对象A必须直接影响对象C，或者根本不影响对象C.通过与对象B的交互不是一种选择。
循环关系网络
为了解决这个限制，我们引入了循环关系网络（RRN）。RRN不是仅执行关系推理的单个步骤，而是执行多个步骤。在每个步骤中，每个对象都受到彼此对象的影响，同时还考虑到它自己的先前状态。这允许交互从一个对象传播到下一个对象，形成复杂的交互链。（欢迎转载分享）