学习用于规范发现的恰当抽象

基于摘要分析。本文研究从行为示范中发现社会规范时，如何同时学习表达规范所需的抽象表示，而非预先固定表示。其贡献是将规范发现表述为对规范性抽象与规范的联合推断，使学习者能够在现有表示不足以解释新观测时修订表示。 方法上，作者使用 LLM 提出可执行的“抽象—规范”假设，再通过贝叶斯最大熵推断评估这些假设对示范行为的解释能力。当当前假设集合无法充分解释新观测时，学习者可引入更高层的状态属性、动作或事件。摘要未说明假设生成与执行的具体接口、表示修订的触发判据及推断细节，相关实现尚未验证。 作者在包含既有社会规范的确定性购物 gridworld 中评估该方法。作者报告，在需要超出初始低层表示进行泛化的留出行为分类任务中，GPT-5.5 的 Accuracy 为 0.93±0.14，固定表示的 MLCI 基线为 0.333。摘要未交代 ± 的统计含义、重复次数、具体数据划分及基线配置，因此这些数值仅能在所述任务背景下理解，不能外推为一般环境中的规范发现能力。实验协议、消融及统计信息尚未验证。 该工作的主要对象是社会规范学习与符号抽象选择，并非神经信号表征学习。现有材料未提供与 EEG/BCI 的具体机制对应关系，因此不据此提出迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。