线性表征假说综述

基于摘要分析。本文研究人工智能、神经科学和认知科学中“线性表征假说”（Linear Representation Hypothesis，LRH）的概念与使用方式，梳理既有表述的不一致，并提出使其能够作为可证伪科学主张接受检验的更严格形式化。 作者指出，既有工作并未始终将 LRH 作为可证伪的科学假说处理。其核心论点是：关于线性表征的主张，只有在明确具体模型、表征位置、特征定义和评估数据集后才具有清晰含义。本文的贡献主要是概念梳理与形式化，而非提出新的表征学习模型；摘要还提到若干值得关注的开放问题，但未列出其具体内容。 这一框架有助于区分“某一特征在特定条件下可被线性读取”与范围更广的线性表征主张。摘要未给出形式化定义、检验程序或定量结果，无法据此判断其如何处理不同线性表征定义之间的关系；具体案例、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将该框架用于 EEG 表征分析，其价值可能在于约束结论范围，而非直接改善解码效果。例如，需分别固定模型及表征位置、待解码特征定义，以及被试内或跨被试评估数据，避免将特定协议下的线性可读性泛化为普遍结论。摘要未提供 EEG/BCI 验证，相关工作尚未检索确认。