DSReg：无需重建即可可证明地恢复世界中的单个潜变量

基于摘要分析。本文研究无重建表征学习中单个潜变量仍被线性混合的问题，提出 DSReg（Dependency-Sparsity Regularization），旨在不使用重建、解码器或标签的情况下恢复世界中的单个潜变量。 核心机制与理论：摘要指出，非线性 ICA、字典学习和因果表征学习通常借助重建、辅助监督或非高斯性等分布不对称性来锚定潜变量，而 JEPAs 等方法仅能将潜在状态识别到线性变换。DSReg 以 LeJEPA 提供的线性可辨识性为基础，引入 Structural Diversity 条件，即不同潜变量在观测上具有不同的依赖特征。作者报告，在此条件下，DSReg 可将潜变量恢复到仅存在符号翻转与排列歧义的程度。摘要未提供依赖关系的具体估计方式、正则项形式及证明细节。 创新与结果：作者报告，DSReg 可作为后处理应用于任何已线性识别的表征，复用训练检查点且相较联合训练没有损失；这一表述适用的目标与条件尚需全文核对。作者还声称该方法建立了首个能恢复每个世界潜变量的完全可辨识 JEPA，且 Structural Diversity 严格弱于此前可辨识潜变量模型的全部结构条件，这些比较的覆盖范围与前提尚未验证。作者报告，在合成设置、世界模型探针、学习得到的视觉编码器及外部渲染器实验中，DSReg 保持密集预测能力，同时改善单个潜变量恢复及下游使用；摘要未给出具体数据集、指标、规模或数值。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移至 EEG 的假设是，不同潜在源在通道或时序观测上具有可区分的依赖特征，且输入表征已满足线性可辨识条件。可复用部分是表征后处理思想；依赖估计与正则化需适配 EEG 的时序性和通道结构。低信噪比、共同源混合、跨被试差异、通道不足及小数据可能使依赖特征难以区分。一个可证伪的小实验是在已知源与混合机制的合成 EEG 上，对同一表征比较 DSReg 后处理前后的潜变量恢复与下游性能，并逐步改变噪声和通道数。已有 EEG 相关工作尚未检索确认。