Bootstrap Theory of Representational Emergence: Explanatory Insufficiency as a Driver of Representation Learning and World Models
Di cosa parla
Immagina che il modo in cui descriviamo dati e fenomeni smetta di rendere intelligibili osservazioni o relazioni: la Bootstrap Theory of Representational Emergence (TBER) usa questa «insufficienza esplicativa» come segnale per cambiare rappresentazione. Descrive un processo in cinque fasi — dall'osservazione stabile alla rilevazione dell'anomalia fino all'emergere e alla stabilizzazione provvisoria di nuove rappresentazioni — e riguarda transizioni tra modi di descrivere il mondo, suggerendo che sistemi futuri possano individuare i propri limiti e provare alternative.
Cosa permette di osservare
Che cosa spinge un modello o una teoria a cambiare il modo in cui rappresenta il mondo? In che modo si potrebbero costruire sistemi che riconoscono i propri limiti e sperimentano nuove rappresentazioni per superarli?
Dalla fonte
Representation learning is central to modern machine learning, yet most research focuses on optimizing representations after a representational framework has been selected. Less attention is given to when a new representational level becomes necessary. We introduce the Bootstrap Theory of Representational Emergence (TBER), a conceptual framework in which persistent explanatory insufficiency acts as a signal for representational transition. A representation may remain descriptively useful while becoming unable to make relevant observations, relations, transformations, or organizational properties intelligible. TBER describes a recursive five-stage process: stabilized observation, anomaly detection, recognition of explanatory insufficiency, representational emergence, and provisional stabilization. The revised framework distinguishes emergence from validation: candidate representations ma…