HiVAE: Hierarchische latente Variablen für skalierbare Theory of Mind

Die neueste Veröffentlichung auf arXiv (2602.16826v1) stellt HiVAE vor – eine hierarchische Variationsarchitektur, die das Konzept der Theory of Mind (ToM) auf realistische, räumlich-zeitliche Umgebungen überträgt. Während bisherige Ansätze vor allem in kleinen, leicht verständlichen Gridworlds getestet wurden, demonstriert HiVAE, dass ToM‑Reasoning auch in komplexen Szenarien funktioniert.

HiVAE nutzt eine dreistufige VAE‑Hierarchie, die von der menschlichen Kognition inspiriert ist, insbesondere dem belief‑desire‑intention‑Modell. Durch diese Struktur konnte das System bei einer Campus‑Navigationsaufgabe mit 3.185 Knoten signifikante Leistungssteigerungen erzielen. Die Ergebnisse zeigen, dass die hierarchische Modellierung die Vorhersagegenauigkeit deutlich verbessert.

Ein kritischer Punkt bleibt jedoch: Die gelernten latenten Repräsentationen sind bislang nicht explizit an echte mentale Zustände gebunden. HiVAE schlägt daher selbstüberwachende Ausrichtungsstrategien vor, um die latenten Variablen besser mit realen mentalen Zuständen zu verknüpfen. Die Autoren laden die Forschungsgemeinschaft ein, Feedback zu diesen Grounding‑Ansätzen zu geben und gemeinsam die Grenzen der ToM‑Modellierung zu erweitern.