본 논문은 기존 AI에서 지각(perception)은 상태 기반 표현 학습에 의존하고, 계획(planning)은 탐색을 통해 이루어지는 방식을 다룹니다. 대신 지각과 시간적 구조를 모두 포착하는 표현에서 추론이 나타날 수 있는지 연구합니다. 표준 시간적 대조 학습이 잘못된 특징에 의존하여 시간적 구조를 포착하는 데 실패하는 경향이 있음을 보입니다. 이를 해결하기 위해, 본 논문은 가짜 특징을 제거하고 시간적 추론을 용이하게 하는 부정적 샘플링 방식을 사용하는 CRTR(Combinatorial Representations for Temporal Reasoning)을 소개합니다. CRTR은 Sokoban 및 Rubik's Cube와 같은 복잡한 시간적 구조를 가진 도메인에서 강력한 결과를 달성합니다. 특히 Rubik's Cube에서 CRTR은 모든 초기 상태에 걸쳐 일반화되고 BestFS보다 적은 탐색 단계로 퍼즐을 풀 수 있는 표현을 학습합니다 (단, 더 긴 솔루션 생성). 이는 외부 탐색 알고리즘에 의존하지 않고 학습된 표현만 사용하여 임의의 Cube 상태를 효율적으로 해결하는 최초의 방법입니다.
