Learning mental states estimation through self-observation: a developmental synergy between intentions and beliefs representations in a deep-learning model of Theory of Mind

Theory of Mind（ToM）是指将信念、意图或心理状态归因于他人的能力，是人类社交互动的重要特征。在复杂的环境中，当人类感官系统达到极限时，行为很大程度上受到我们对周围世界状态的信念的驱动。访问他人的心理状态，例如信念和意图，可以在自然环境中实现更有效的社交互动。然而，这些变量不是直接可观测的，这使得理解ToM成为心理学、机器学习和机器人学等不同领域的挑战性问题。在本文中，我们展示了一种发展性协同作用，即学习预测低级心理状态（例如意图、目标）和归因高级心理状态（即信念）之间的关系。具体而言，我们假设通过观察自己涉及信念的决策过程（例如在部分可观测环境中），可以学习信念的归因。使用简单的前馈深度学习模型，我们证明，当学习预测他人的意图和行动时，如果同时学习信念的归因，则可以更早地获得更准确的预测。此外，我们还展示，即使观察的行为者具有不同的体现形式，当观察信念驱动的行为块时，学习性能也会提高。我们提出，我们的计算方法可以促进对人类社会认知发展的理解，并对未来自适应社交机器人的设计具有相关性，这些机器人能够自主地理解、协助和从新颖的自然环境和任务中的人类交互伙伴中学习。

本论文试图探究人工智能在理解他人意图和信念方面的发展，并提出了一种同时学习预测低层次和高层次心理状态的方法。

论文提出了一种基于深度学习的模型，通过观察自身在部分可观察环境中的决策过程来学习信念推断。实验结果表明，在学习预测他人意图和行为时，同时学习信念推断可以更早地获得更准确的预测。

论文的实验设计包括观察不同体型的行为者和信念驱动的行为块。该方法为理解人类社会认知发展提供了启示，并为未来的自适应社交机器人的设计提供了参考。

在相关研究方面，最近的研究包括《A Review of Theory of Mind Research in Autism Spectrum Disorder》和《Theory of Mind and Neural Functioning in Psychopathy》等。