要旨: 大型言語モデル（LLMs）を用いた心の理論（Theory of Mind、ToM）推論には、人々の暗黙で進化する信念が、彼らの追求するものや不確実性の下でどのように行動するかを形作るかを推測することが不可欠である――特に、災害対応、救急医療、そして人間が介在する自律性といった高リスクな設定で重要である。
従来のアプローチは直接LLMsをプロンプトするか、信念を静的かつ独立したものとして扱う潜在状態モデルを用いることが多く、時間を追うにつれて一貫性のない心的モデルを生み出し、動的な文脈での推論が弱いことが多い。
本研究では、LLMベースのToMのための構造化された認知軌道モデルを導入する。これにより心的状態を動的信念グラフとして表現し、潜在信念を共同推定し、それらの時変依存性を学習し、信念の進化を情報探索と意思決定に結びつける。
本モデルは以下に貢献する：(i) テキスト化された確率表現から一貫した確率的グラフィカルモデルの更新への新規な射影、(ii) 信念間の相互依存性をエネルギー型ファクターグラフとして表現、(iii) 信念蓄積と遅延意思決定を捉えるELBOベースの目的関数。
実世界の複数の災害避難データセットを横断して、我々のモデルは行動予測を有意に改善し、人間の推論と一致する解釈可能な信念の軌跡を回復する。高い不確実性の環境においてLLMsにToMを補強するための原理的なモジュールを提供する。
https://anonymous.4open.science/r/ICML_submission-6373/
心の理論推論のための動的信念グラフの学習
arXiv cs.AI / 2026/3/23
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、LLMs（大規模言語モデル）における心の理論推論のための動的信念グラフアプローチを提案し、心的状態を静的な信念として捉えるのではなく、時間とともに進化するものとしてモデル化します。
- 潜在的信念推論と時間変動の依存性を、構造化された認知軌道モデルとエネルギーに基づく因子グラフを用いて結びつけます。
- この手法は、テキストの確率的記述を確率的グラフモデルの更新にマッピングし、ELBO（変分下界）を目的関数として最適化して、信念の蓄積と遅延決定を捉えます。
- 現実世界の災害避難データセットを用いた実験は、行動予測の改善と解釈可能な信念の軌道を示し、不確実性の高い状況でLLMsに心の理論（ToM）を補強することの実現可能性を示唆します。
