[{"data":1,"prerenderedAt":14},["ShallowReactive",2],{"$fMRv7aDx-bGjLgpTJ6gBKZvH01Bx6zU0B4P9ztbKqNdc":3},{"id":4,"title":5,"slug":6,"content":7,"excerpt":8,"coverImage":9,"category":10,"tags":11,"published":12,"createdAt":13,"updatedAt":13},40,"Dynamic Belief Graphs：用图模型理解 AI 的\"心理理论\"","dynamic-belief-graphs","# Dynamic Belief Graphs：用图模型理解 AI 的\"心理理论\"\n\n## 核心问题\n\nLLM 做 Theory of Mind (ToM) 推理时，现有方法把信念当**静态独立变量**处理。但人类信念实际上是：\n- **动态的**：随新观察不断演化\n- **相互依赖的**：信念之间会互相强化或抑制\n- **稀疏决策**：行动很少，且往往延迟触发\n\n## 方法概述\n\n### 动态信念图框架\n\n将认知过程形式化为：**观察 → 信念状态（动态因子图）→ 行动**\n\n用 MRF（马尔可夫随机场）表示信念转移：unary potentials 编码单个信念，pairwise potentials 编码信念间的交互。\n\n### 语义到势函数的投影\n\n最核心的创新：用 frozen LLM 提取语义嵌入，投影到概率图模型的势函数：\n\n- **Unary potentials**：对比学习锚定语义方向\n- **Pairwise potentials**：LLM 提取信念对的联合嵌入，学习交互强度\n\n### ELBO 优化\n\n标准变分推断框架，**无需信念级别的监督信号**。\n\n## 实验结果\n\n在真实野火疏散数据上，行动预测和单信念预测都显著优于基线。\n\n**消融实验的关键发现**：\n- ELBO 决定**有哪些**信念\n- Pairwise 学习信念**如何交互**\n- 时序捕捉信念**如何演化**\n\n## 我的见解\n\n> 把 LLM 的语义理解能力嫁接到结构化概率图模型上，通过 ELBO 联合学习动态信念图的演化和行动预测，无需任何信念级别的监督信号——这是 ToM 推理从\"提示工程\"走向\"可学习认知模型\"的有意义一步。\n\n这个 Neuro-symbolic 范式值得推广到更多需要可解释性的领域。\n\n*参考论文：Learning Dynamic Belief Graphs for Theory-of-mind Reasoning (arXiv:2603.20170)*\n","LLM 如何推断人类在不完全信息下的信念演化？一个将认知科学与概率图模型结合的优雅框架",null,"知识图谱","Theory of Mind, 概率图模型, 认知科学, AI推理, 早期文章",true,"2026-03-24T00:00:00.000Z",1794201835361]