Overview
Overview 记录这个 topic 里已经读过、正在排队、或者之后值得补齐的论文；Landscape 则把 representation learning 的问题定义、方法谱系、关键转折和阅读路线压成一条清晰主线，方便先定边界，再决定下一篇该放进来什么。
Scope
这个 topic 讨论的是 如何从原始观测中学出有用的内部表征/representation。这里真正关心的对象，不是某个单独 benchmark 的分数，而是表征本身是否抓住了 语义结构、可迁移性/transferability、不变性/invariance、可分解性/disentanglement 和任务相关信息。只要一篇工作的中心问题是“什么样的 latent representation 才算好，以及应该怎样学出来”，它就优先属于这里。
这个边界和仓库里的其他 topic 有明显交叉，但不应该混在一起。更偏 视觉任务本身 的工作，例如检测、分割、生成建模或视觉架构设计，即使也讨论 feature，一般还是优先放在 Computer Vision；更偏 状态抽象/state abstraction、world model、控制目标和 exploration 的论文，应该优先放在 Reinforcement Learning；更偏 feature probing、steering、mechanistic interpretability 和 safety diagnosis 的工作，则更适合留在 Safety & Alignment。Representation Learning 只保留那些把 表征空间的几何、信息保留方式、预训练目标和下游迁移能力 放到舞台中央的论文。
因此，这个 topic 的主线会刻意收紧到三类材料。第一类是 重建式或生成式 latent variable modeling，例如 autoencoder、VAE、InfoGAN、beta-VAE 和 disentanglement 这一支；第二类是 预测式与对比式自监督学习/self-supervised learning，例如 CPC、SimCLR、MoCo、BYOL、DINO；第三类是 masked modeling 与跨模态预训练，例如 BERT、MAE、CLIP 这种把“好表征”直接和大规模迁移能力绑定起来的方法。后面往这个 topic 里加 paper 时，最该先问的问题始终是：它真正推进的，到底是某个应用任务，还是 representation 本身的学习原则。