从观测中学习构建世界理论

基于摘要分析。本文研究如何从原始非文本观测中学习显式的解释性世界理论，而不只追求观测空间或潜在空间中的预测准确性。作者提出 Learning-to-Theorize（L2T），以可执行、可组合的程序表示理论，并通过学习到的原语重组来解释新现象。 其具体实现 Neural Theorizer 是一种概率神经模型：模型归纳潜在程序，将其作为学习得到的 Language of Thought，并通过共享的转移模型执行这些程序。核心思路是用生成观测的程序解释观测，使组合式理论成为泛化的基础。摘要未说明程序表示、原语学习方式、概率推断过程、训练目标及共享转移模型的实现细节。 作者报告，实验展示了该框架的解释驱动泛化能力；但摘要未提供任务、数据集、划分、对照基线或量化指标，因此尚不能判断它相对预测式世界模型的收益范围，也不能确认程序解释的可辨识性与可靠性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务能被合理表达为潜在状态及其组合式转移，程序归纳与共享转移机制或可作为结构化建模思路；但这依赖于是否存在可识别、可复用的生成原语，原领域有效不等于 BCI 有效。摘要未交代原始观测的数据结构、监督需求与训练规模，目前不足以提出可靠的 EEG 迁移方案；相关 EEG 工作尚未检索确认。