提出了一种名为RepSGG的新型架构，用于生成场景图。通过将实体表示为查询，目标表示为键，并使用最大注意力权重表示它们之间的关系，实现了更细粒度和灵活的特征表达。通过在训练期间进行仿射变换，对关系的逻辑进行修改，以提高性能平衡。实验结果表明，RepSGG在Visual Genome和Open Images V6数据集上具有先进或可比较的性能，并具有快速推理速度。

该研究发现预训练的强化学习策略网络具有追求多个上下文相关目标的能力，并确定了对应电路。网络具有冗余、分布式和可重新设定目标表示的特性，阐明了训练策略网络中目标方向的本质。

该研究使用Feudal HRL算法，通过紧密的表示发现目标表示的发展机制，并同时学习目标表示和分层策略。在复杂的导航任务上评估，结果表明所学到的表示是可解释的、可传递的，并且可以实现高效的学习。