Internal-state criticality in Bayesian-inverse-Bayesian inference

Sintesi Tecnica: Criticità dello Stato Interno nell'Inferenza Bayesiana-Inversa-Bayesiana

Definizione del Problema
Recenti studi empirici e teorici suggeriscono una convergenza tra criticità e dinamiche di inferenza, con registrazioni neurali e comportamenti di foraggiamento biologico che spesso esibiscono statistiche a coda pesante (legge di potenza) in prossimità di punti critici. Tuttavia, la letteratura esistente identifica ampiamente le firme della criticità o sostiene che i modelli inferiti tendano a trovarsi vicino a superfici critiche, senza però fornire una regola di inferenza concreta le cui dinamiche siano intrinsecamente critiche. Gli standard di IA per il gioco (ad esempio, ottimizzatori che puntano al Nash come il Counterfactual Regret Minimization) cercano l'accuratezza e la convergenza verso strategie ottimali, finendo spesso per collassare in un gioco casuale uniforme in giochi a somma zero simmetrici, fallendo così nel catturare le dinamiche non triviali e a coda pesante osservate nel processo decisionale umano. Il documento affronta la necessità di un modello generativo minimale dove la criticità emerga dal processo di inferenza stesso, piuttosto che essere imposta da un tuning esterno o dall'auto-organizzazione verso uno stato assorbente.

Metodologia
Gli autori propongono e simulano l'inferenza Bayesiana–Inversa-Bayesiana (BIB) nel contesto di giochi ripetuti di dominanza ciclica tipo Sasso-Carta-Forbice (RPS) con $N$ mani.

• Il Modello: L'agente BIB mantiene un insieme di ipotesi ($N_h$) sull'avversario. Esegue un aggiornamento Bayesiano standard (contrazione) basato sugli esiti osservati. Crucialmente, lo integra con un passaggio Inverso-Bayesiano (rilassamento): dopo una finestra di $m$ osservazioni, l'ipotesi con la probabilità a posteriori più bassa viene sostituita dall'istogramma empirico delle osservazioni recenti. Questo "rinnovamento dell'ipotesi" impedisce il collasso del posteriore e inietta nuove ipotesi che riflettono i flussi di dati recenti.
• Disegno Sperimentale: Lo studio impiega una simulazione su larga scala ($\sim 10^8$ eventi decisionali) esplorando sei assi: dimensione del gioco ($N \in \{3, 5, 7\}$), numero di ipotesi ($N_h \in \{3, 6, 10, 15, 20\}$), dimensione della finestra ($m \in \{10, 20, 50, 100\}$), inizializzazione (casuale vs strutturata), modalità di predizione (campionamento vs argmax) e nitidezza della verosimiglianza (likelihood sharpness).
• Controlli: Gli autori confrontano il BIB con:
  • Bayes-Only (BO): Agenti che eseguono aggiornamenti Bayesiani standard senza il passaggio inverso.
  • Learners Standard: Win-Stay/Lose-Shift (WSLS), Q-learning e Regret Matching.
  • Agenti Casuali: Gioco casuale uniforme (baseline dell'equilibrio di Nash).
• Osservabili: La metrica primaria è il tempo di persistenza dell'argmax ($T_{argmax}$), definito come la durata durante la quale l'ipotesi più probabile rimane invariata. Le metriche secondarie includono le lunghezze delle fasi laminari (periodi in cui la probabilità a posteriori massima supera una soglia) e le analisi di scaling delle dimensioni finite.

Risultati Chiave

1. Stato Critico Universale: Attraverso tutte le variazioni di design (inizializzazione, modalità di predizione) e classi di avversari, le dinamiche BIB si assestano in uno stato critico interno robusto. La distribuzione dei tempi di persistenza dell'argmax segue una legge di potenza a coda pesante con un esponente $\alpha \approx 1.43$ (al canale canonico $m=50, N=3$).
2. Assenza nell'Inferenza Bayes-Only: Gli agenti BO, privi del passaggio inverso, non esibiscono persistenza a legge di potenza. Le loro distribuzioni sono meglio descritte da esponenziali estesi o lognormali, e mancano di un esponente universale attraverso i conteggi delle ipotesi.
3. Classe di Universalità e Drift: L'esponente misurato $\alpha \approx 1.43$ non è una costante fissa ma deriva sistematicamente verso il valore universale di $3/2$ (caratteristico dell'intermittenza on-off e delle leggi di primo ritorno di Sparre–Andersen) man mano che il residuo di campionamento finito $(N-1)/(2m)$ svanisce. Ciò conferma che le dinamiche sono guidate da un cammino del log-posteriori a drift nullo ancorato dal passaggio inverso.
4. Scaling delle Dimensioni Finite: Il sistema esibisce uno scaling delle dimensioni finite rispetto al numero di ipotesi $N_h$. Nel regime centrale ($N_h \in \{6, 10\}$), l'esponente è invariante. Il tempo di cutoff scala come $T_{max} \propto N_h^{-z}$ con $z \approx 1.49$. La dispersione del posteriore scala come $\sigma \propto N_h^{-\beta}$ con $\beta \approx 1.07$, vicino al limite informativo-teoretico, indicando che il passaggio inverso assorbe lo scaling nelle dinamiche di rinnovamento.
5. Robustezza: L'universalità è valida attraverso diverse dimensioni di gioco ($N=3, 5, 7$), diverse strutture di gioco (testate su Matching Pennies, $N=2$) e varie regole di osservazione, a condizione che il rinnovamento Inverso-Bayesiano rimanga attivo.
6. Interno vs Esterno: In un gioco simmetrico BIB-contro-BIB contro un avversario di Nash uniforme, la criticità a coda pesante è confinata allo spazio delle ipotesi interno. Le serie comportamentali (ripetizioni di mani, serie di vittorie) rimangono esponenziali perché l'avversario simmetrico ancora il marginale d'azione a un Nash uniforme. Tuttavia, contro un avversario fisso, distorto (sfruttabile), le serie comportamentali dell'agente passano a leggi di potenza, dimostrando che la criticità interna agisce come un serbatoio di flessibilità.

Significato e Rivendicazioni
Il documento rivendica l'identificazione di una struttura critica universale generata dall'aggiunta di un passaggio di rilassamento Inverso-Bayesiano all'inferenza Bayesiana standard.

• Meccanismo: Gli autori sostengono che questo sia un meccanismo di criticità dello stato interno ottenuto attraverso la continua ricostruzione del confine dello spazio delle ipotesi, piuttosto che l'auto-organizzazione verso uno stato assorbente (tipica della SOC). Il passaggio inverso ancora strutturalmente il drift del log-posteriore per passo a zero, creando uno stato critico senza tuning di parametri esterni.
• Distinzione dalla SOC: Pur condividendo caratteristiche con la SOC (statistiche scale-free, assenza di tuning), gli autori distinguono il BIB notando che non si auto-organizza verso un punto critico assorbente, ma mantiene la criticità tramite la ricostruzione del confine. Identificano le dinamiche operativamente con l'intermittenza on-off sul simplesso delle distribuzioni di ipotesi.
• Rilevanza Comportamentale: Lo studio suggerisce che il BIB fornisca un modello generativo per le statistiche di persistenza a coda pesante osservate nel processo decisionale umano. A differenza degli algoritmi che puntano al Nash, che collassano alla casualità in giochi simmetrici, gli agenti BIB riproducono naturalmente le dinamiche non triviali a coda pesante del gioco umano, attraverso il loro meccanismo interno, senza richiedere pre-addestramento o fitting esterno.
• Modestia: Gli autori dichiarano esplicitamente che $\alpha \approx 1.43$ è una stima del protocollo di una classe di universalità, non una costante fisica. Non pretendono di provare la SOC classica, ma di caratterizzare una struttura critica universale che è robusta attraverso un intervallo naturale di parametri. La significatività risiede nel fornire una regola di inferenza generativa minimale che colma il divario tra l'ottimizzazione razionale (che fallisce nel catturare le dinamiche umane) e l'osservazione empirica della criticità nei sistemi biologici.