World-as-Graph：通过潜在空间图进行关系世界建模

基于摘要分析。该研究面向视觉场景的世界建模，试图解决对象中心模型中对象间关系通常仅被隐式表示、关系与时间结构及对象动态记忆难以显式建模的问题。作者提出 World-As-Graph（WAG），将关系归纳偏置引入 JEPA 风格的预测表征学习，通过潜在空间图组织对象状态并预测未来演化。 方法包含两个主要模块。关系感知结构归纳模块从对象中心的 slots 构建时变潜在图，并采用关系感知的对象掩码策略，引导潜在空间中的关系对象表征学习；对象中心记忆转移模块融合邻近对象的关系信息与历史记忆，维护和更新对象级动态状态，支持自回归未来预测。其主要方法特点是将对象关系与历史状态显式纳入预测过程，而非仅依赖对象潜在表示间的隐式交互。具体图构建规则、掩码策略、训练目标和记忆更新形式尚未验证。 作者报告在视觉推理和机器人操作任务上进行了实验，并称其结果可展示 WAG 的性能优势；摘要未提供数据集、指标、对照基线、划分协议或数值，尚不能判断优势幅度与适用范围，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若能将 EEG 中具有稳定含义的信号单元构造成 slots，时变关系图与历史记忆可能用于建模跨脑区依赖及其演化。此迁移依赖可辨识的节点表示和足够的连续序列数据；视觉对象 slots 不能直接等同于 EEG 通道。可复用的是关系图与记忆转移思路，需改造信号编码、节点定义及掩码策略。低信噪比、体积传导、通道配置差异、跨被试变化与小数据均可能导致关系学习失效。一个可证伪的小实验是在固定被试内划分及相同编码器、训练预算下，比较无图预测、静态图预测与时变图加记忆的未来表征预测误差，并用打乱边关系检验收益是否确由关系结构带来。已有 EEG 相关工作尚未检索确认；这些是假设，不是论文已验证的 BCI 结果。