본 논문은 객체 간 관계에 대한 복잡한 질문을 답하거나, 해결 과정에서 작은 요소들이 서로 제약을 가하는 퍼즐을 해결하는 등 연속적인 상호 의존적 단계의 관계 추론이 필요한 작업을 학습하는 문제에 대해 다룹니다. 우리는 객체의 그래프 표현을 처리하는 일반적인 모듈인 반복 관계 네트워크(recurrent relational network)를 소개합니다. 이는 Santoro et al. [2017]의 관계 네트워크(relational network)를 확장한 것으로, 어떤 신경망 모델이라도 여러 단계의 관계 추론 능력을 부여할 수 있습니다. 반복 관계 네트워크를 사용하여 bAbI 텍스트 질문-답변 데이터셋에서 최고 성능을 달성하였으며, 20/20 태스크를 일관되게 해결하였습니다. bAbI가 관계 추론 측면에서 특별히 어려운 것은 아니므로, 우리는 관계 추론을 위한 새로운 진단 데이터셋인 Pretty-CLEVR을 도입하였습니다. Pretty-CLEVR 환경에서는 질문을 변경하여 답변을 얻기 위해 필요한 관계 추론 단계의 수를 조절할 수 있습니다. 이를 통해 다층 퍼셉트론(multi-layer perceptrons), 관계 네트워크 및 반복 관계 네트워크의 한계를 탐구하였습니다. 마지막으로, 반복 관계 네트워크가 감독 학습 데이터를 통해 스도쿠 퍼즐을 해결하는 방법을 학습할 수 있음을 보였습니다. 이 작업은 최대 64단계 이상의 관계 추론이 필요하며, 유사한 방법들 중에서 96.6%의 가장 어려운 스도쿠 퍼즐을 해결함으로써 최고 성능을 달성하였습니다.