因果分离：表征与递归自我改进理论

基于摘要分析。本文研究递归自我改进中的表征失效问题：当维持既有关系的条件发生变化时，系统仍可能沿用原有关系，而未表征的支撑依赖随之暴露。作者提出 causal separation（因果分离）理论，通过追踪维持活动的闭合因果路径，描述系统如何将失效所产生的符号效应纳入可复用关系，并改变后续交互。 机制上，论文从已表征关系与未表征关系的初始分离出发，区分参与活动的支撑条件及其符号投影，并讨论这种分离在环境与表征中的对应形式。作者报告证明：当同一已表征状态对应不同后果时，系统接收到的后果差异不能仅由旧有内部关系生成。为此，作者引入表征再生产循环，推导其耦合响应，以及无需隐藏原因标签即可学习的条件；具体数学定义、监督信息与可观测性假设尚未验证。 作者报告，在所研究的有限情形中，该循环能够在支撑条件改变后恢复，并消除仅在旧表征内继续拟合无法克服的误差下限。对于一个两层线性模型族，作者报告原有梯度更新规则能够执行从经验中选出的自我修改；在估计、选择与执行满足一致性条件时，系统在固定训练期后渐近达到最低可达期望损失。这些结论受所述理论条件约束，不能据此推断任意神经网络或实际任务均可实现递归自我改进。 摘要未提供具体数据集、经验评估指标或 EEG/BCI 验证。定理条件、实验协议、消融及统计信息尚未验证；已有 EEG 相关工作尚未检索确认。当前材料主要支持将其作为表征更新的理论工作阅读，尚不足以形成具体的 BCI 迁移或复现实验方案。