面向心智理论推理的动态信念图学习

基于大语言模型（LLM）的心智理论（Theory of Mind, ToM）推理需要推断人们隐含且不断演化的信念如何塑造其在不确定性下的追求与行动——尤其是在灾难响应、急诊医学和人机协同自主等高风险场景中。以往方法要么直接对LLM进行提示，要么使用将信念视为静态且相互独立的潜状态模型，往往随时间产生不一致的心理模型，并在动态情境中表现出较弱的推理能力。我们提出了一种面向基于LLM的ToM的结构化认知轨迹模型，将心理状态表示为动态信念图，联合推断潜在信念、学习其随时间变化的依赖关系，并将信念演化与信息寻求和决策联系起来。该模型的贡献包括：(i) 一种从文本化概率陈述到一致的概率图模型更新的新颖投影；(ii) 一种基于能量的因子图表示，用于刻画信念间依赖关系；(iii) 一种基于ELBO的目标函数，用于刻画信念累积与延迟决策。在多个真实世界灾难疏散数据集上，该模型显著提升了动作预测效果，并恢复了与人类推理一致的、可解释的信念轨迹，为在高不确定性环境中为LLM增补ToM能力提供了一个有原理依据的模块。https://anonymous.4open.science/r/ICML_submission-6373/