强化学习中的奖励感知原型表征

基于摘要分析。本文研究强化学习中如何构建同时反映环境转移与奖励动态的表征，围绕已有的 default representation（DR）补充理论基础与经验分析，而非提出 EEG 或 BCI 表征方法。 successor representation（SR）通过隐式编码环境诱导的转移动态，表征与信用分配相关的结构，但不考虑奖励。DR 则进一步纳入奖励动态。作者在表格型情形下推导了学习 DR 的动态规划与时序差分方法，刻画其向量空间的基，并通过 default features 将其形式化扩展到函数逼近情形。摘要未提供具体更新公式、奖励进入表征的数学形式或函数逼近实现。 实验覆盖奖励塑形、选项发现（option discovery）、探索和迁移学习。作者报告，相较于 SR，DR 产生了定性不同的奖励感知行为，并在若干设置中取得更好的定量表现；摘要未列出环境、基线配置、评估指标或改善幅度，不能据此认定其在所有任务中均优于 SR。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若用于具有状态转移与奖励反馈的自适应 BCI 控制，DR 的潜在对应点是序列决策中的信用分配与奖励相关状态抽象，而非直接改善 EEG 解码。该假设依赖可用的交互轨迹与奖励定义；可考虑复用表征学习及更新思路，但需改造状态编码与奖励接口。EEG 低信噪比、跨被试或跨会话漂移及有限交互数据可能使转移和奖励估计不稳定。尚未检索确认已有 EEG 相关工作，也没有本材料支持的 BCI 有效性证据。