未归一化后继表征的关联学习

基于摘要分析。本文研究 successor representation（后继表征）与纯关联学习的关系，核心贡献是将 Hebbian 时间关联解释为未归一化的 successor representation，而非提出 EEG 或 BCI 专用方法。 摘要以 successor representation 与 temporal context model 中时间关联的既有联系为背景，进一步提出两者更深的对应关系。作者报告：当所有状态的出现频率相同时，两者收敛到相同表征；即使状态分布不均匀，两者在实践中也可能高度相关。后者并不意味着非均匀条件下仍严格等价。摘要未提供具体更新规则、归一化方式、收敛假设或相关性指标，理论推导、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 序列映射为可重复识别的离散状态，时间关联机制或可用于学习状态间的时序结构，但这依赖可靠的状态定义与足够的转移样本。可复用的是状态关联学习思路；需改造的是 EEG 状态编码与频率处理。低信噪比、跨被试差异、通道变化和小数据可能使状态划分不稳定，从而破坏该对应关系。一个可检验的小实验是在固定状态编码下，分别构造近似均匀与非均匀的状态采样条件，比较两类表征的一致性，再检验其与下游解码表现的关系。原领域的表征一致性不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。