描述性历史表征：通过回答问题学习表征

基于摘要分析。本文研究部分可观测环境中如何将长交互历史压缩为支持决策的信息表征，提出 descriptive history representations（DHRs，描述性历史表征）：以回答过去交互及潜在未来结果相关问题的能力来刻画历史的充分统计量。主要贡献是将任务相关问答引入表征学习，使历史摘要保留对预测和控制有用的信息。 方法包含表征、决策和提问三个组件，通过联合目标平衡奖励最大化与表征回答信息性问题的能力。其核心思路不是单纯压缩历史，而是以需要回答的问题约束保留哪些信息。摘要未披露问题的生成与监督方式、联合目标的具体形式，以及“充分统计量”成立的理论条件，这些内容尚待全文核对。 作者报告，在公开电影与购物数据上的用户建模任务中，该方法生成了可解释的文本用户画像，并将其用作预测偏好驱动用户行为的充分统计量。摘要未提供具体数据集名称、划分方式、对照方法或定量指标；实验协议、消融及统计信息尚未验证。该应用结果不宜直接外推为一般部分可观测控制任务上的有效性。 平台推测（待验证）：若用于具有连续交互历史的自适应 BCI，任务相关问答可能为历史状态压缩提供一种约束，但这只是假设。原方法依赖交互序列、奖励及信息性问题，不能直接视为 EEG 表征方法；可考虑复用历史编码与问答联合优化思路，但需改造神经信号输入、问题定义和反馈机制。低信噪比、跨被试差异、通道变化及小样本可能使模型保留伪相关或错误预测。一个可证伪的小实验是，在同一含连续交互记录的 BCI 数据与固定划分下，比较加入问答约束和仅优化任务目标的历史编码器，检验前者是否改善预先指定的预测任务；已有 EEG 相关工作尚未检索确认。