感知学习：感官表征学习与决策学习的正式分离

我们引入感知学习 (Perception Learning, PeL)，这是一种范式，通过任务无关信号优化智能体的感官界面 $f_\phi:\mathcal{X}\to\mathcal{Z}$，与下游决策学习 $g_\theta:\mathcal{Z}\to\mathcal{Y}$ 分离。PeL 直接针对标签无关的感知属性，如对噪声的稳定性、无坍缩的可信度以及受控的几何结构，这些属性通过客观的、基于表示不变性的指标进行评估。我们正式定义感知与决策的分离，定义独立于目标或再参数化的感知属性，并证明保持充分不变性的 PeL 更新与贝叶斯任务风险梯度是正交的。此外，我们提供了一套任务无关的评估指标，以认证感知质量。