迭代学习的线性网络理论

基于摘要分析。本文研究迭代学习（Iterated Learning，IL）如何促成组合式语言结构，以及简单神经网络如何利用这种结构实现系统性泛化，即通过重组已有经验的组成部分应对新情境。核心贡献是将浅层与深层线性网络的学习动力学分析扩展到跨代学习过程，推导代际学习的精确动力学。 IL 的基本机制是让后代网络学习前代学习者的输出，使给定输入所对应的“语言”或输出标签逐代演化。本文沿用既有线性网络理论中对系统性泛化的数学定义，分析组合结构的形成，而非直接提出面向自然语言或 EEG 的大型模型。 作者报告，在其线性网络理论设定下，组合结构的涌现需要多代迭代学习，且多代学习能够优于采用最优早停的单代网络；作者还报告，IL 的有效性依赖网络深度，并能够提取支持系统性泛化的模块。摘要未给出上述结论的具体假设、数据结构、监督形式、训练规模及定量结果，不能据此推广到任意深度网络。实验协议、消融及统计信息尚未验证，复现需进一步核对正文中的动力学方程与适用条件。 平台推测（待验证）：若 EEG 任务确有可重组的潜在因素，跨代输出学习可能为研究表征的组合性提供理论参照，但这是迁移假设，不是已验证的 BCI 效果。可复用的是代际学习框架与单代最优早停对照，需改造信号编码、输出表示及组合泛化评估方式。低信噪比、跨被试和通道差异可能使伪标签误差逐代累积，小数据也可能使结构被过度简化。一个可证伪的小实验是在预先定义因素组合与留出组合的 EEG 任务上，对照单代最优早停和多代学习，并检查留出组合表现是否改善；前提是先确认任务因素可辨识。相关 EEG 工作尚未检索确认。