Sophisticated Affective Inference: Simulating Anticipatory Affective Dynamics of Imagining Future Events
介绍
人类经验的一个共同方面是,想象的、反事实的事件会对我们的情感状态产生 重大影响。在极端情况下,患有各种精神疾病的人,如广泛性焦虑症(Gale &Da- vidson,2007年),不断报告经历重复想象的“如果”,对他们的实时情感动态产生重大影响。这种对负面未来结果的不适应、重复思考(通常不太可能)再次出现
经临床验证的反刍障碍治疗干预措施(如认知行为疗法[CBT]、接受和承诺疗法[ACT])通常也旨在降低此时此刻患者对灾难性预期未来事件的信 心(如 Barlow 等人,2017;Hayes 等人,2006 年)。尽管这种疗法的有效性已经得到了很好的证实,但是它们的作用机制仍然知之甚少。获得对特定神经计算 机制的更详细的理解是未来研究的一个重要方向,这些机制通常支持预期诱导的情感,特别是过度沉思诱导的焦虑。
在本文中,我们旨在提供一个机械论的解释,说明情感反应是如何由想 象的未来结果产生的,以及这如何在沉思过程中变得不正常。通过结合主动干预的两个最新发展,我们提供了一个这些现象的正式模型,并模拟了“过度思 考情境”是如何发生的——持续到一个人的想象中出现不太可能、但令人厌恶 且令人兴奋的情境。我们使用了一个情感推理代理(Hesp 等人,2020),它配备 了复杂推理的递归信念更新方案(Friston 等人,2020)。这种强有力的结合让 我们——第一次——创造出一种智能体,它的情感状态会因其对未来可能事件 的内部策划而改变。在这篇短文中,我们提出了潜在的生成模型,并讨论了它的含义。我们还展示了一些简短的说明性模拟。我们把对各种参数化的计算结 果的更详细的分析留给未来的作品。
Abstract.
在本文中,我们结合复杂的和深度参数的主动推理来创建一个代理,其情感状态的改变是其关于未来可能的结果将如何影响未来信念的贝叶斯信念的结果。为了实现这一点,我们用贝叶斯自适应深度时态树搜索来扩充马尔可夫决策过程,该搜索由递归地对反事实未来评分的自由能泛函来指导。我们的模型再现了一种常见的现象,即反复思考一种情况,直到不太可能,然而令人厌恶和令人兴奋的情况出现在一个人的想象中。作为概念的证明,我们展示了某些超参数如何引起神经认知动力学,以表征想象诱发的焦虑。
In this paper, we combine sophisticated and deep-parametric active inference to create an agent whose affective states change as a consequence of its Bayesian beliefs about how possible future outcomes will affect future beliefs.To achieve this, we augment Markov Decision Processes with a Bayes-adaptive deep-temporal tree search that is guided by a free energy functional which recursively scores counterfactual futures. Our model reproduces the common phenomenon of rumination over a situation until unlikely, yet aversive and arousing situations emerge in one’s imagination. As a proof of concept, we show how certain hyperparameters give rise to neurocognitive dynamics that characterise imagination-induced anxiety.
Keywords: affect, counterfactuals, anxiety, active inference, anticipation
完整内容请参考原论文
更多精彩:
how we learn 第二章 人脑比机器强在哪?(长文)
新概率书 Structured Probabilistic Reasoning
A Theory of Learning to Infer :有限资源下不合理的合理性