An Inference-Based Architecture for Intent and Affordance Saturation in Decision-Making
作者: Wendyam Eric Lionel Ilboudo, Saori C Tanaka
分类: q-bio.NC, cs.AI, cs.LG
发布日期: 2025-12-29
备注: 32 pages, 12 figures
💡 一句话要点
提出基于推理的架构，解决决策中意图和可供性饱和导致的决策瘫痪问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 决策瘫痪 意图选择 可供性选择 KL散度 贝叶斯推理
📋 核心要点
- 现有选择模型假设选项已明确且易于比较，但决策瘫痪现象对这些模型提出了挑战。
- 该论文提出一种基于推理的架构，分离意图选择和可供性选择，并使用混合KL散度进行建模。
- 通过静态和动态模型仿真，验证了该架构能够重现决策惯性和关闭等现象，并将自闭症视为决策连续体的极端情况。
📝 摘要（中文）
决策瘫痪，即在充分了解情况和具备动机的情况下，犹豫、僵住或无法行动，对假设选项已明确且易于比较的选择模型提出了挑战。借鉴自闭症研究中尤为突出的定性报告，我们提出了一种计算模型，其中瘫痪源于分层决策过程中的收敛失败。我们将意图选择（追求什么）与可供性选择（如何实现目标）分离，并将承诺形式化为在反向和前向 Kullback-Leibler (KL) 目标混合下的推理。反向 KL 具有模式寻找特性，促进快速承诺，而前向 KL 具有模式覆盖特性，保留多个合理的目标或行动。在静态和动态（漂移扩散）模型中，当前向 KL 偏置的推理在值相似时会产生缓慢、重尾的响应时间以及两种不同的失败模式：意图饱和和可供性饱和。在多选项任务中的模拟重现了决策惯性和关闭的关键特征，并将自闭症视为一种基于推理的通用决策连续体的极端状态。
🔬 方法详解
问题定义：论文旨在解决决策瘫痪问题，即在充分了解情况和具备动机的情况下，个体仍然犹豫不决、僵住或无法采取行动。现有选择模型通常假设选项是明确且易于比较的，无法解释这种决策障碍。现有方法的痛点在于缺乏对意图选择和可供性选择之间相互作用的建模，以及未能捕捉决策过程中的不确定性和探索性。
核心思路：论文的核心思路是将决策过程分解为两个层次：意图选择（选择要追求的目标）和可供性选择（选择实现目标的方式）。通过将承诺形式化为在反向和前向 Kullback-Leibler (KL) 目标混合下的推理，模型能够同时考虑快速承诺和保留多种可能性。这种混合方法允许模型在探索不同选项的同时，逐步收敛到最终的决策。
技术框架：该论文构建了一个分层决策框架，包含意图选择和可供性选择两个阶段。每个阶段都使用贝叶斯推理进行建模，其中先验信念代表对不同意图或可供性的初始偏好，似然函数反映了观察到的证据对这些意图或可供性的支持程度。后验分布则通过最小化反向和前向 KL 散度的加权和来获得。该框架可以在静态和动态（漂移扩散）模型中实现，用于模拟不同决策场景下的行为。
关键创新：该论文最重要的技术创新点在于使用混合 KL 散度来建模决策过程中的承诺。反向 KL 散度倾向于选择单一的、最可能的选项，而前向 KL 散度则倾向于保留多种可能性。通过调整两种 KL 散度的权重，模型可以控制决策过程中的探索和利用之间的平衡。与现有方法相比，这种方法能够更好地捕捉决策过程中的不确定性和犹豫不决。
关键设计：模型中的关键设计包括：1) 使用反向和前向 KL 散度的加权和作为损失函数，控制决策过程中的探索和利用；2) 使用漂移扩散模型来模拟动态决策过程，捕捉响应时间和决策准确率；3) 通过调整模型参数，例如 KL 散度的权重和漂移率，来模拟不同个体的决策行为，包括自闭症患者的极端情况。
🖼️ 关键图片
📊 实验亮点
论文通过仿真实验验证了该模型的有效性。在多选项任务中，该模型能够重现决策惯性和关闭等现象，并能够模拟自闭症患者的决策行为。实验结果表明，当前向 KL 偏置的推理会导致缓慢、重尾的响应时间，以及意图饱和和可供性饱和两种失败模式。这些结果与自闭症患者的临床观察结果相符。
🎯 应用场景
该研究成果可应用于开发更智能的决策支持系统，尤其是在需要考虑多种可能性和存在不确定性的情况下。例如，可以应用于机器人导航、自动驾驶和医疗诊断等领域。此外，该研究对于理解自闭症等神经发育障碍的决策机制具有重要意义，有助于开发更有效的干预策略。
📄 摘要（原文）
Decision paralysis, i.e. hesitation, freezing, or failure to act despite full knowledge and motivation, poses a challenge for choice models that assume options are already specified and readily comparable. Drawing on qualitative reports in autism research that are especially salient, we propose a computational account in which paralysis arises from convergence failure in a hierarchical decision process. We separate intent selection (what to pursue) from affordance selection (how to pursue the goal) and formalize commitment as inference under a mixture of reverse- and forward-Kullback-Leibler (KL) objectives. Reverse KL is mode-seeking and promotes rapid commitment, whereas forward KL is mode-covering and preserves multiple plausible goals or actions. In static and dynamic (drift-diffusion) models, forward-KL-biased inference yields slow, heavy-tailed response times and two distinct failure modes, intent saturation and affordance saturation, when values are similar. Simulations in multi-option tasks reproduce key features of decision inertia and shutdown, treating autism as an extreme regime of a general, inference-based, decision-making continuum.