通过联合嵌入预测架构理解表征学习的神经回路原理

基于摘要分析。该研究关注神经回路如何从交织的连续感觉输入中，在无外部监督或标签的条件下学习物体身份及其动态的抽象表征。作者提出 recurrent predictive learning（RPL），一种循环联合嵌入预测架构，将预测目标从感觉输入空间转向表征空间，用于学习物体及序列表征并预测未来物体运动。 其核心理论区别在于：不只通过重建或预测感觉输入来降低预测误差，而是研究表征空间中的预测学习能否产生抽象、解纠缠的内部表征。RPL 采用模块化前馈—循环组织，作者还讨论了这一组织如何对应皮层微回路；摘要未给出具体损失、训练稳定机制或回路映射的实现细节。 作者报告，模型学得的序列表征类似于人类初级视觉皮层中观察到的 successor-like representations，并形成可与猕猴前额叶既有报告相比较的抽象序列表征。这些结果属于计算模型与神经表征现象的对应，不等同于已证实的生物回路学习机制，也不是 EEG/BCI 解码效果。数据来源、比较指标、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 连续片段中存在稳定、可预测的潜在状态变化，表征空间预测可能为自监督时序学习提供思路。可考虑复用联合嵌入预测与循环状态建模，但需改造信号编码及预测时间尺度；低信噪比、伪迹、跨被试和通道差异可能使模型主要学到非任务动态，小数据也可能削弱表征稳定性。一个可证伪的小实验是在固定编码器容量、数据划分和预训练预算下，对比表征空间预测与输入空间预测，检验其是否改善同一 EEG 任务的低标签解码，并分别报告被试内和跨被试结果。上述迁移并非论文已验证贡献，已有 EEG 相关工作尚未检索确认。