有限样本中的无限终点：基于自上而下贝叶斯滤波的开放性目标推断

人的目标空间极其庞大；然而，仅通过观察短暂的场景或阅读故事，我们似乎能自然推断出对参与者和角色所持的多种合理动机。这种基于无限目标推断他人目标的显著能力是什么解释的？它如何与将他人理解为约束理性主体的认知相容？本文引入一种基于顺序蒙特卡罗的开放性目标推断模型，将自上而下的贝叶斯逆规划与基于共现子目标统计特性的自下而下抽样相结合。通过提议与代理人已实现子目标相关的目标假设，模型在不进行穷举搜索的情况下快速生成合理目标，然后过滤掉基于迄今所采取行动不理性的目标。我们在一种称为 Block Words 的目标推断任务中验证了该模型，其中参与者尝试猜测有人正在用带字母的积木堆叠的单词。在与基于启发式自下而下猜测以及对数百个目标进行的精确贝叶斯推断相比，我们的模型更好地预测了人类目标推断的均值、方差、效率和资源理性，同时以极小的认知成本接近精确模型的准确率，也解释了由误导性自下而下线索引发的误导效应。我们的实验因此突显了将自上而下模型与自下而下模型结合以解释人类理论心智速度、准确性和通用性的重要性。