ReCoRe：世界模型的正则化对比表征学习

基于摘要分析。ReCoRe 面向视觉导航中样本效率不足、对训练场景过拟合的问题，将世界模型、对比无监督学习与干预不变正则化结合，旨在学习对外观变化更稳健的表征；主要研究对象是视觉导航强化学习，而非 EEG 或 BCI。 机制上，显式学习环境动态的世界模型用于提高样本效率，对比学习用于促进不变特征学习。作者认为，仅将对比损失加入世界模型仍不足以解决问题，原因在于表征学习与智能体策略的优化相互独立；因此引入辅助任务形式的干预不变正则项，以显式约束表征对风格干预保持不变。摘要列举深度预测、图像去噪和图像分割等辅助任务，但具体采用方式、监督来源、损失形式及联合优化流程尚未验证。 作者报告，在 iGibson 的分布外目标点导航任务上，该方法优于所比较的基于模型和无模型 RL 方法；在仅使用视觉观测的条件下，也优于所比较的语言引导基础模型。作者另报告，在 Gibson 上实现了感知模块的仿真到现实迁移。摘要未提供具体分数、数据划分、计算成本或基线配置，因此不能据此量化增益，也不能将感知模块的迁移结论扩展为完整导航策略的现实部署验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其“任务相关表征应对干扰因素保持不变”的机制，可为 EEG 跨被试或跨会话表征学习提供假设，但原方法依赖视觉时序、环境交互及辅助任务信号，不能直接等同于 EEG 域泛化。可复用的是对比学习与不变性约束思路，需改造干预定义、正样本构造和辅助任务；低信噪比、通道差异及小数据可能使约束误删任务信息。一个可检验的小实验是：在固定跨会话划分下，以相同编码器比较仅对比学习与加入可控幅值扰动不变约束的版本，检查其是否改善目标会话表现而不损害原任务判别能力。已有 EEG 相关工作尚未检索确认。