環境のダイナミクスを反映するモジュール構造を学習することで、基礎となる要因の一部にのみ影響を与える変化に対して、より優れた一般化性能とロバスト性が得られる。本研究では、複数の再帰的セル群がほぼ独立した遷移ダイナミクスを有し、注意メカニズム（attention）によるボトルネックを通じて僅かに通信し、その重要性が最も高い時刻でのみ更新される、新たな再帰構造である「再帰的独立機構（Recurrent Independent Mechanisms: RIMs）」を提案する。本研究では、この構造がRIMs間の特化を促進することを示し、訓練時と評価時において変動要因が系統的に異なるタスクにおいて、著しく改善された一般化性能を達成できることを明らかにした。