用于建模社会不确定性的因果球面超图网络
机器学习
2025-06-24 v1 人工智能
摘要
人类社会行为受由不确定性、因果性和群体动态塑造的复杂交互所支配。我们提出了因果球面超图网络（Causal-SphHN），这是一个具有社会基础的预测的原则性框架，联合建模高阶结构、方向性影响和认知不确定性。我们的方法将个体表示为超球面嵌入，将群体上下文表示为超边，从而捕获语义和关系几何。不确定性通过von Mises-Fisher分布上的Shannon熵进行量化，而时间因果依赖关系则通过基于Granger信息的子图来识别。信息通过遵循信念扩散和方向语义的角度消息传递机制进行传播。在SNARE（离线网络）、PHEME（在线话语）和AMIGOS（多模态情感）上的实验表明，Causal-SphHN在预测精度、鲁棒性和校准方面均优于强基线。此外，它还能对影响模式和社会模糊性进行可解释分析。本工作为动态社会环境中不确定性下的学习贡献了一种统一的因果几何方法。
引用
@article{arxiv.2506.17840,
title = {Causal Spherical Hypergraph Networks for Modelling Social Uncertainty},
author = {Anoushka Harit and Zhongtian Sun},
journal= {arXiv preprint arXiv:2506.17840},
year = {2025}
}