统一因果表征学习与对象中心表征学习以实现因果组合

基于摘要分析。本文研究视觉场景中的对象分解、对象交互与组合泛化，提出以因果抽象为基础的概率化 Scene Graph Modelling（SGM）视角，尝试统一因果表征学习、Object-Centric Learning（OCL，对象中心学习）与场景图推理。其主要贡献是概念框架，而非摘要已明确验证的新算法。 作者指出，现有 OCL 方法往往难以同时刻画属性层面的语义交互和对象层面的空间交互；场景图方法虽能提供结构化关系表示，却通常依赖监督。本文将对象交互视为对象级图中的不变机制，主张借此连接无监督对象发现与显式场景图推理，并支持因果一致的场景组合。作者通过概念讨论、定义、猜想和示例论证这一立场；摘要未给出具体概率模型、训练目标、监督配置、数据集或量化结果，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 中能够建立具有稳定语义的潜在成分及其交互结构，该框架可能为区分成分属性变化与交互机制变化提供分析视角。但视觉对象并不天然对应 EEG 信号源，低信噪比、混合观测以及跨被试和通道差异可能破坏对象划分与机制不变性。当前材料尚不足以确定可复用的实现模块或设计具体迁移实验，不能据此宣称具有 EEG/BCI 效果；已有 EEG 相关工作尚未检索确认。