学习动态信念图进行理论心智推理
人工智能
2026-03-23 v1
摘要
大型语言模型（LLM）进行理论心智（Theory of Mind, ToM）推理需要推断人们的隐式、不断演变的信念如何影响他们在不确定情境下的寻求方式和行动——尤其是在灾难响应、急救医疗和人机协作控制等高风险场景。先前的方法要么直接提示LLM，要么使用将信念视为静态且独立的潜在状态模型，常导致时间上不连贯的心智模型以及在动态情境下的弱推理。我们引入一种结构化认知轨迹模型，用于LLM-based ToM，代表心智状态为动态信念图，联合推断潜在信念、学习其时间变化依赖关系，并将信念演化关联到信息寻求与决策。我们的模型贡献包括：（i）从文本化概率陈述到一致概率图模型更新的新型投影、（ii）信念相互依存的能量基因因图表示，以及（iii）捕捉信念积累与延迟决策的ELBO-based目标函数。针对多个真实世界灾难疏散数据集，我们的模型显著改善了行动预测，并恢复了与人类推理一致的可解释信念轨迹，为在高不确定环境中为LLM提供理论心智推理的原则性模块。https://anonymous.4open.science/r/ICML_submission-6373/
引用
@article{arxiv.2603.20170,
title = {Learning Dynamic Belief Graphs for Theory-of-mind Reasoning},
author = {Ruxiao Chen and Xilei Zhao and Thomas J. Cova and Frank A. Drews and Susu Xu},
journal= {arXiv preprint arXiv:2603.20170},
year = {2026}
}