A4 Artikkeli konferenssijulkaisussa
Quantifying Uncertainty in Machine Theory of Mind Across Time (2024)

Zhang, S., Wu, C., & Jokinen, J. P.P. (2024). Quantifying Uncertainty in Machine Theory of Mind Across Time. In J. Kasurinen, T. Päivärinta, & T. Vartiainen (Eds.), TKTP 2024 : Proceedings of the 41st Annual Doctoral Symposium of Computer Science (3776, pp. 151-156). RWTH Aachen. CEUR Workshop Proceedings. https://ceur-ws.org/Vol-3776/shortpaper14.pdf

JYU-tekijät tai -toimittajat

Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Zhang, Shanshan; Wu, Chuyang; Jokinen, Jussi P. P.

Emojulkaisu: TKTP 2024 : Proceedings of the 41st Annual Doctoral Symposium of Computer Science

Emojulkaisun toimittajat: Kasurinen, Jussi; Päivärinta, Tero; Vartiainen, Tero

Konferenssin paikka ja aika: Vaasa, Finland, 10.-11.6.2024

Lehti tai sarja: CEUR Workshop Proceedings

eISSN: 1613-0073

Julkaisuvuosi: 2024

Volyymi: 3776

Artikkelin sivunumerot: 151-156

Kirjan kokonaissivumäärä: 156

Kustantaja: RWTH Aachen

Julkaisumaa: Saksa

Julkaisun kieli: englanti

Pysyvä verkko-osoite: https://ceur-ws.org/Vol-3776/shortpaper14.pdf

Julkaisun avoin saatavuus: Avoimesti saatavilla

Julkaisukanavan avoin saatavuus: Kokonaan avoin julkaisukanava

Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/98364

Tiivistelmä

As intelligent interactive technologies advance, ensuring alignment with user preferences is critical. Machine theory of mind enablessystems to infer latent mental states from observed behaviors, similarly to humans. Currently, there is no formal mechanism for integrating multiple observations over time and quantifying the uncertainty of inferences as the function of accumulated evidence in a provably human-like way. This paper addresses the issue through Bayesian inference, proposing a model that maintains a posterior belief about mental states as a probability distribution, updated with observational data. The advantage of Bayesian statistics lies in the possibility of evaluating the certainty of these inferences. We validate the model’s human-like mental inference capabilities through an experiment.

YSO-asiasanat: ihmisen ja tietokoneen vuorovaikutus; käyttöliittymät; koneoppiminen; mallintaminen

Vapaat asiasanat: human-computer interaction; machine theory of mind; mentalizing; uncertainty quantification

Liittyvät organisaatiot

OKM-raportointi: Kyllä

VIRTA-lähetysvuosi: 2024

Alustava JUFO-taso: 1