统一因果表征学习与对象中心表征学习以实现因果组合

基于摘要分析。本文研究对象中心学习（Object-Centric Learning，OCL）如何同时表达对象属性层面的语义关系与对象层面的空间交互，并提出以因果抽象为基础的概率化场景图建模（Scene Graph Modelling，SGM）视角，将因果表征、对象发现与场景图推理纳入统一框架。这是一篇立场论文，其主要贡献是概念讨论、定义、猜想与示例，而非摘要已验证的新算法性能。 作者指出，OCL 旨在将复杂场景分解为离散且相互作用的对象，以支持组合泛化；现有方法对属性与空间交互的表达仍有限，而场景图方法虽然能提供结构化关系，通常依赖监督。本文的核心主张是将对象级图中的交互视为不变机制，通过因果抽象连接无监督对象发现与显式关系推理，从而支持因果一致的场景组合。摘要未提供具体模型实现、训练目标、数据集或定量评估，实验协议、消融及统计信息尚未验证；不能将概念示例视为已证实的组合泛化效果。 平台推测（待验证）：该视角可能为 EEG 跨被试或跨会话表征中的稳定关系建模提供假设，但原论文主要面向视觉场景，并非神经信号研究。可借鉴的是“实体—关系—不变机制”的抽象，需改造的是实体定义与关系生成：EEG 通道或潜在成分并不天然对应独立对象，体积传导、低信噪比及被试间差异可能使统计关系被误认为稳定因果机制。若探索这一假设，可在固定 EEG 解码器和数据划分下，对比加入关系不变性约束与不加入该约束的跨会话表现；应先明确实体定义及不变性假设，并检验关系能否在独立会话中保持，而非仅看分类性能。相关 EEG 工作尚未检索确认。