YARBUS : Yet Another Rule Based belief Update System
GeorgiaTech（佐治亚理工学院）；CNRS（法国国家科学研究中心）
我们介绍了一个新的基于规则的系统，在对话系统中的信念跟踪。尽管正在考虑的规则很简单，但与之前提交的第二次和第三次对话状态跟踪挑战相比，所提出的信念跟踪器排名有利。这个简单的跟踪器的结果允许使用更精细的技术重新考虑以前提交的性能。
2015-07-24 cs.AI cs.CL
Beyond Tracking or Shortcut: Composition-Bounded Predictive States in Poker Autoregressive Models
研究无范围限注德州扑克自回归模型中隐藏状态探测的模糊性，发现对手范围探测在部分种子中呈阳性，行为头预测有提升。可见投注组合比残余隐藏状态解释更多对手范围信号，提出组合受限的预测支持，强调信念探测需经替代方案解释。
2026-07-23 cs.AI
Fully Statistical Neural Belief Tracking
PolyAI；Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室）
本文提出了一种改进现有的数据驱动的神经信念跟踪（NBT）框架的对话状态跟踪（DST）。现有的NBT模型使用手工制作的信念状态更新机制，每当模型被部署到新的对话域时，该机制涉及昂贵的手动重新调整步骤。我们表明，这种更新机制可以与NBT模型的语义解码和上下文建模部分联合学习，消除了DST框架中最后一个基于规则的模块。我们提出了两种不同的统计更新机制，并表明对话动态可以建模与一个非常小的额外的模型参数。在我们对三种语言的DST评估中，我们表明该模型具有竞争力的性能，并为构建资源轻的DST模型提供了一个强大的框架。
2018-05-29 cs.AI cs.CL cs.LG
Algorithmic Primitives of Theory of Mind Benchmarks
University of Southern California（南加州大学）
PDDL-Mind通过将叙述描述转换为显式状态和动作，为LLM提供了一致的世界状态表示，从而在信念推理任务中提升了性能。
2026-10-19 cs.AI cs.CL
Seamless Tracking of Group Targets and Ungrouped Targets Using Belief Propagation
Sichuan University（四川大学）；Artificial Intelligence Key Laboratory of Sichuan Province（四川省人工智能重点实验室）
本文研究了大规模多目标群的跟踪问题。通常，在大多数跟踪场景中，多目标被假定为具有独立的运动并且是良好分离的。然而，对于群目标跟踪（GTT），群内目标的距离很近，并且以协调的方式运动，群可以分裂或合并，并且群内目标的数量可能很大，这导致了更具挑战性的数据关联、滤波和计算问题。在置信传播（BP）框架下，通过联合推断目标存在变量、组结构、数据关联和目标状态，提出了一种可扩展的组目标置信传播（GTBP）方法.该方法可以有效地计算这些变量的边缘后验分布的近似通过执行设计的因子图的信念传播。因此，GTBP能够捕获基团结构的变化，例如，组分裂和合并。此外，我们的目标的演化模型的共同作用的组或单目标运动所指定的可能的组结构和相应的概率。这种灵活的建模可以无缝地同时跟踪多组目标和未分组的目标。特别地，GTBP具有良好的可扩展性和低计算复杂性。它不仅保持了与BP相同的可扩展性，即，在传感器测量的数量上线性地缩放，并且在目标的数量上二次地缩放，但是也仅在保留的组分区的数量上线性地缩放。最后，数值实验证明了所提出的GTBP方法的有效性和可扩展性。
2022-08-24 cs.AI cs.LG stat.ME
Neural Belief Tracker: Data-Driven Dialogue State Tracking
University of Cambridge（剑桥大学）；Apple Inc.（苹果公司）
现代口语对话系统的核心组件之一是信念跟踪器，它估计用户在对话的每一步的目标。然而，目前大多数方法难以扩展到更大、更复杂的对话领域。这是由于它们依赖于：a）需要大量带注释的训练数据的口语语言理解模型;或者b）用于捕获用户语言中的一些语言变化的手工制作的词典。我们提出了一个新的神经信念跟踪（NBT）框架，克服了这些问题的最新进展，表示学习。NBT模型对预先训练的词向量进行推理，学习将它们组合成用户话语和对话上下文的分布式表示。我们对两个数据集的评估表明，这种方法超越了过去的局限性，与依赖手工制作的语义词典的最新模型的性能相匹配，并且在不提供此类词典时表现优于它们。
2017-04-21 cs.AI cs.CL cs.LG
XL-NBT: A Cross-lingual Neural Belief Tracking Framework
University of California Santa Barbara（加州大学圣巴巴拉分校）；Tencent AI Lab（腾讯人工智能实验室）；The Ohio State University（俄亥俄州立大学）
面向任务的对话系统正变得越来越普遍，许多公司严重依赖它们来补充呼叫中心中的客户服务人工代理。随着全球化，提供跨语言客户支持的需求变得比以往任何时候都更加迫切。然而，跨语言的支持提出了很大的挑战-它需要大量的额外的注释数据从母语。为了绕过昂贵的人工注释，实现构建通用对话系统的最终目标的第一步，我们着手构建一个跨语言状态跟踪框架。具体地，我们假设存在具有对话信念跟踪注释的源语言，而目标语言没有任何形式的注释对话数据。然后，我们为源语言预训练一个状态跟踪器作为老师，它能够利用易于访问的并行数据。然后，我们提取自己的知识，并将其传输到目标语言的学生状态跟踪器。我们具体讨论了双语语料库和双语词典这两种常见的并行资源，并设计了相应的迁移学习策略。在实验中，我们成功地使用英语状态跟踪器作为教师，将其知识转移到意大利和德国的跟踪器，并取得了可喜的成果。
2018-08-25 cs.AI cs.CL
Chance-Constrained Belief-Space Maneuver Planning for Autonomous Collision Avoidance Under Uncertainty
Stanford University（斯坦福大学）
针对近地轨道交会不确定性，提出机会约束信念空间蒙特卡洛树搜索规划器，权衡等待跟踪信息与机动干预，在NASA数据集上验证，表明跟踪质量与频率决定干预时机。
2026-09-15 cs.AI cs.RO
The Yokai Learning Environment: Tracking Beliefs Over Space and Time
Yokai学习环境通过跟踪和更新信念来实现有效合作，挑战现有ZSC方法的泛化能力。
2026-08-06 cs.AI cs.LG cs.MA
Mismatch between Multi-turn Dialogue and its Evaluation Metric in Dialogue State Tracking
Korea University（高丽大学）；Sejong University（世宗大学）
对话状态跟踪（DST）的目的是从多轮对话中提取必要的信息，并采取适当的行动。信念状态是信息的核心之一，是指主体及其具体内容，以域槽值的形式出现。训练后的模型预测每个回合中的“累积”信念状态，联合目标准确度和槽准确度主要用于评估预测;然而，我们指出，当前的评估指标在评估随着对话进行而累积的信念状态时具有关键限制，特别是在最常用的MultiWOZ数据集中。此外，我们提出了相对插槽精度，以补充现有的指标。相对槽精度不依赖于预定义的槽的数量，并且允许通过根据每个对话的回合分配相对分数来进行直观的评估。这项研究还鼓励不仅报告联合目标的准确性，而且各种补充指标的DST任务，为了一个现实的评估。
2022-03-31 cs.AI cs.CL
Neural Enhanced Belief Propagation for Multiobject Tracking
University of California San Diego（加州大学圣地亚哥分校）；Scripps Institution of Oceanography（斯克里普斯海洋研究所）
多目标跟踪（MOT）的解决方案是自主导航和应用海洋科学应用的关键推动因素。最先进的MOT方法完全依赖于统计模型，并且通常使用预处理的传感器数据作为测量值。特别地，测量值由检测器产生，该检测器从针对离散时间步长收集的原始传感器数据中提取潜在对象位置。该预备处理步骤减少了数据流和计算复杂性，但是可能导致信息的丢失。基于置信传播（BP）的最新贝叶斯MOT方法系统地利用统计模型的图结构来降低计算复杂性并提高可扩展性。然而，作为一种完全基于模型的方法，BP只能在统计模型和真实数据生成过程之间存在不匹配时提供次优估计。现有的基于BP的MOT方法只能进一步利用预处理的测量。在本文中，我们介绍了BP的一个变体，它将基于模型的MOT与数据驱动的MOT相结合。建议的神经增强的信念传播（NEBP）方法补充BP的统计模型从原始传感器数据的信息。该方法表明，学习的信息可以减少模型失配，从而提高数据关联和虚警抑制。与基于模型的方法相比，我们的NEBP方法提高了跟踪性能。同时，它继承了基于BP的MOT的优点，即，它在对象的数量上仅以二次方式缩放，因此它可以生成并保持大量的对象轨迹。我们在nuScenes自动驾驶数据集上评估了我们的NEBP方法用于MOT的性能，并证明它具有最先进的性能。
2022-12-16 cs.AI cs.CV cs.LG
Beyond Successful Play: Diagnosing Opponent Modeling in Large Language Models
Georgia Institute of Technology（佐治亚理工学院）；University of Sussex（萨塞克斯大学）
本研究针对大语言模型的对手建模问题，构建了捉迷藏任务的基准与诊断框架，发现模型博弈表现提升但对手预测与信念追踪存在局限，且自主推断信念比利用现成信念更难。
2026-10-14 cs.AI q-bio.NC
Classification-Aided Robust Multiple Target Tracking Using Neural Enhanced Message Passing
Northwestern Polytechnical University（西北工业大学）；Research & Development Institute of Northwestern Polytechnical University in Shenzhen（西北工业大学深圳研究院）
针对强杂波下雷达多目标跟踪难题，提出分类辅助的神经增强消息传递算法，融合因子图与神经网络置信度以增强杂波抑制与数据关联，显著提升跟踪性能。
2023-10-19 cs.AI cs.LG cs.SY
Causal Belief Decomposition for Planning with Sensing: Completeness Results and Practical Approximation
Universidad Simón Bolívar（西蒙·玻利瓦尔大学）；ICREA & Universitat Pompeu Fabra（加泰罗尼亚研究与高级研究所暨庞培法布拉大学）
信念跟踪是感知规划中的一个基本问题。虽然这个问题是棘手的，它最近已被证明，对于确定性和非确定性的系统表示在紧凑的形式，它可以在时间和空间是指数的问题宽度。宽度度量与给定前提条件或目标相关的状态变量的最大数量。在这项工作中，我们在理论上和实践中推广了这个结果。首先，我们引入了一个替代的分解方案和算法，具有相同的时间复杂度，但不同的完整性保证，其空间复杂度要小得多：指数的因果宽度的问题，衡量因果相关的状态变量的数量，一个给定的前提条件，目标，或观察。其次，我们引入了一个快速，有意义的，和强大的近似，贸易的完整性的速度，并在时间和空间指数的问题因果宽度。然后，经验表明，该算法与简单的算法相结合，产生国家的最先进的实时性能域具有高的宽度，但低的因果宽度，如扫雷舰，战舰，和Wumpus。
2019-09-26 cs.AI
Belief Propagation and Beyond for Particle Tracking
Los Alamos National Lab.（洛斯阿拉莫斯国家实验室）；Cornell University（康奈尔大学）；Institut Pasteur（巴斯德研究所）
我们描述了一种新的方法来统计学习粒子跟踪，而在随机环境中移动。问题在于从记录的快照推断环境的属性。我们在这里考虑的情况下，一个流体播种相同的被动粒子扩散和平流的流动。我们的方法依赖于有效的算法来估计两个连续快照中粒子之间可能匹配的加权数，即底层图形模型的配分函数。然后在模型参数上最大化配分函数，即扩散率和速度梯度。置信传播（BP）方案是我们算法的骨干，为我们想要学习的流参数提供准确的结果。BP估计还通过合并循环系列（LS）贡献来改进。对于加权匹配问题，LS被简洁地表示为柯西积分，通过鞍点近似精确估计。数值实验表明，我们的改进BP算法的质量是一个完全多项式随机逼近方案，基于马尔可夫链蒙特卡罗（MCMC）方法，而基于BP的计划是大大快于MCMC计划。
2008-06-06 cond-mat.stat-mech cs.AI cs.IT
Slice Sampling Particle Belief Propagation
Leibniz University Hannover（汉诺威莱布尼茨大学）
连续标号马尔可夫随机场的推理是一个具有挑战性的任务。我们使用粒子信念传播（PBP）解决连续标签空间中的推理问题。从置信分布中采样粒子通常通过使用Metropolis-Hastings马尔可夫链蒙特卡罗方法来完成，该方法涉及从建议分布中采样。必须根据特定模型和输入数据仔细设计该建议分布，以实现快速收敛。我们建议通过引入基于切片采样的PBP算法来避免对建议分布的依赖。所提出的方法显示出优越的收敛性能的图像去噪玩具的例子。我们的研究结果验证了一个具有挑战性的关系二维特征跟踪应用程序。
2018-02-09 cs.AI cs.CV
A Probabilistic End-To-End Task-Oriented Dialog Model with Latent Belief States towards Semi-Supervised Learning
Tsinghua University（清华大学）；China Mobile Research Institute（中国移动研究院）
在面向任务的对话系统中，结构化信念状态对于用户目标跟踪和数据库查询至关重要。然而，训练信念跟踪器通常需要对每个用户话语进行昂贵的回合级别注释。在本文中，我们的目标是减轻信任状态标签在建设端到端的对话系统的依赖，利用无标签的对话数据对半监督学习。我们提出了一个概率对话模型，称为潜在的BElief状态（LABES）模型，其中的信念状态表示为离散的潜变量，并与系统响应给定用户输入联合建模。这种潜变量建模使我们能够在变分学习的原则框架下发展半监督学习。此外，我们还介绍了LABES-S2 S，这是LABES的复制增强Seq 2Seq模型实例。在监督实验中，LABES-S2 S在三个不同尺度的基准数据集上获得了很好的结果。在利用未标记的对话数据时，半监督LABES-S2 S显著优于仅监督和半监督基线。值得注意的是，我们可以将注释需求减少到50%，而不会降低MultiWOZ的性能。
2020-10-13 cs.AI cs.CL
When Answer Evaluation Misleads Confidence Selection: Fact-Grounded Form Grading for Open-Ended QA
该研究发现开放式ToM追踪中不完整参考集生成的代理标签可反转模型校准排名，提出TriSource-Restore方法修复置信度并维持排名方向。
2026-11-03 cs.AI cs.CL
