이 논문은 훈련 데이터가 근본적으로 제한적인 만큼 모델이 학습한 기술을 새로운 방식으로 조합해 일반화해야 하는 '조합적 추론'의 중요성을 다루며, 강화학습(RL) 등 후처리 학습이 이런 조합적 추론 능력에 미치는 영향은 잘 알려져 있지 않다고 지적한다. 연구진은 의존성 그래프 프레임워크로 조합적 추론을 형식화해 복잡도가 증가하는 세 단계의 조합성을 도출하고, 결정론적 보상 계산과 명확한 조합 구조를 제공하는 자료구조 과제로 이를 실증했다. 그 결과 분해된 스킬 학습이 조합된 과제로 안정적으로 전이되지 않는 반면, 조합된 과제 학습은 분해된 과제로 더 쉽게 역전이되는 일관된 '분해-조합 비대칭'을 발견했다. 이론적 설명을 제시하는 한편, 길이 외삽·구조적 분포 이동·미지 스킬이 필요한 과제로의 전이 상황에서도 조합적 일반화를 평가했으며, 실제 도구 호출 벤치마크에 대한 예비 연구에서도 이 비대칭이 실용적 환경으로 확장될 수 있다는 예비 증거를 제시했다.

• •강화학습 등 후처리 학습이 조합적 추론 능력에 미치는 영향을 의존성 그래프 프레임워크로 형식화해 분석
• •자료구조 과제 실험에서 분해된 스킨 학습→조합 과제 전이는 불안정, 조합 과제 학습→분해 과제 역전이는 용이한 '분해-조합 비대칭' 발견
• •길이 외삽, 구조적 분포 이동, 미지 스킬 필요 과제 전이 등 다양한 조건에서 조합적 일반화 평가
• •실제 도구 호출 벤치마크 예비 연구에서도 동일 비대칭이 실용 환경으로 확장될 수 있다는 예비 증거 제시