预测闭包：JEPA 特征选择的集合层面刻画

基于摘要分析。本文研究 joint-embedding predictive architectures（JEPA）会保留哪些特征，提出 predictive closure（预测闭包）刻画：特征是否被编码，不仅取决于其自身是否容易预测，还取决于它与其他特征构成的预测关系。 JEPA 联合训练编码器和预测器，以降低对下一观测表征的预测误差。由于当前与未来观测的表征均参与学习，仅按单个特征的可预测性解释特征选择，可能忽略特征之间的作用。作者通过重新表述 JEPA 训练目标，将选择依据转向特征集合的性质；作者指出，当特征独立演化时，该观点与既有解释一致，而在特征相互依赖时会产生不同预测。例如，交通灯颜色自身可能难以预测，但因有助于预测车辆是否停止，仍可能被保留。 作者报告，在受控实验中，当难以预测的特征有助于预测其他特征时，其表征程度可以提高；改变某个特征的预测关系，也会影响其他特征的表征。作者还报告，针对一个特征施加辅助目标，或将其作为侧信息提供给预测器，可以间接增强它所帮助预测的另一特征的表征。具体目标函数、数据生成方式、表征评估指标、效应大小及统计信息尚未验证。 平台推测（待验证）：该机制可为 EEG 自监督预测中的特征保留提供假设，即自身时间可预测性较弱、但有助于预测其他神经信号成分的变量，未必会被 JEPA 排除。可复用的是按特征间预测关系分析表征选择的思路；需改造的是 EEG 编码器、时间预测目标及侧信息接口。其依赖可辨识的时序预测关系，低信噪比、跨被试差异、通道变化和小数据均可能使这些关系不稳定，也可能使模型偏向伪迹。一个小规模可证伪实验是在半合成 EEG 中控制某个成分自身的可预测性及其对另一成分的预测作用，在相同训练协议下比较其可解码程度是否随关系变化。该实验仅用于检验机制，不构成 BCI 有效性证据；已有 EEG 相关工作尚未检索确认。