DSReg：无需重建即可具有理论保证地恢复各个世界潜变量

基于摘要分析。该研究关注无重建表征学习中的潜变量可辨识性：即使表征已被识别到仅差一个线性变换，各个潜变量仍可能相互混合。作者提出 DSReg（Dependency-Sparsity Regularization，依赖稀疏性正则化），试图在无需重建、解码器或标签的条件下恢复各个世界潜变量。 其核心条件是 Structural Diversity（结构多样性），即不同潜变量在观测上留下不同的依赖模式。作者以 LeJEPA 提供的线性可辨识性为基础，报告证明：在结构多样性与标准 faithfulness（忠实性）条件下，DSReg 可将潜变量恢复至仅存在符号翻转与排列的不确定性。这比仅恢复到任意线性变换更强，但并不意味着自动获得潜变量的语义名称。作者还主张，该结构条件弱于既有可辨识潜变量模型的所有结构条件；其比较范围及证明细节需查阅全文核对。 作者报告，DSReg 可后处理任何已满足线性可辨识性的表征，复用已训练检查点，且相较联合训练不损失恢复能力。摘要列举合成设置、世界模型探测、已学习视觉编码器及外部渲染器实验，报告在保持稠密预测能力的同时改善单个潜变量恢复与下游使用，但未提供具体数据集、规模、指标或数值。正则项形式、依赖关系估计方式、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其与 EEG 的潜在联系在于分离混合表征中的不同生成因素，而非现成的 BCI 解码改进。迁移假设要求不同因素在通道或时间观测中具有可区分的依赖模式，并首先满足线性可辨识性；低信噪比、容积传导、跨被试差异及小样本依赖估计可能使这些条件失效。可先在具有已知潜源与混合结构的模拟 EEG 上，比较同一表征经 DSReg 后处理前后的潜源恢复，检验机制而非预设真实 EEG 有效。已有 EEG 相关工作尚未检索确认。