🌀 nonlinear sciences

Internal-state criticality in Bayesian-inverse-Bayesian inference

Dit artikel stelt Bayesiaanse-inverse-Bayesiaanse (BIB) inferentie voor als een minimaal generatief model dat door middel van hypothesevernieuwing robuuste interne kritikaliteit in herhaalde spellen induceert, gekenmerkt door zware staarten in de statistiek en een log-posterior wandeling met nul-drift zonder dat externe parametertuning vereist is.

Oorspronkelijke auteurs: Kazuto Sasai, Yukio-Pegio Gunji

Gepubliceerd 2026-06-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Kazuto Sasai, Yukio-Pegio Gunji

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een spelletje Steen-Papier-Schaar speelt tegen een computer. Je wilt winnen, dus probeer je te achterhalen wat de computer de volgende zet gaat doen.

De meeste computerprogramma's proberen perfect te zijn. Ze berekenen de kansen, zoeken naar patronen en komen uiteindelijk tot een "veilige" strategie: het spelen van Steen, Papier en Schaar volledig willekeurig, 33% van de tijd elk. In de speltheorie wordt dit de "Nash-evenwicht" genoemd. Dit is het punt waarop je niet verslagen kunt worden, maar je kunt ook niet winnen. Als je tegen een perfecte computer speelt, wordt het spel een saaie, voorspelbare reeks willekeurige zetten.

Maar mensen zijn niet zo. Wanneer wij spelen, raken we gevangen in streaks (reeksen). We kunnen bijvoorbeeld vijf keer achter elkaar "Steen" spelen, en dan plotseling overschakelen naar "Papier" voor tien beurten. Onze beslissingen zijn niet willekeurig; ze hebben een "heavy tail" (zware staart), wat betekent dat lange reeksen vaker voorkomen dan de zuivere kans zou voorspellen.

Dit artikel introduceert een nieuwe manier waarop een computer kan denken, genaamd Bayesiaanse–Inverse-Bayesiaanse (BIB) inferentie. Het beweert dat deze methode een computer in staat stelt om diezelfde menselijke streaks en patronen natuurlijk te ontwikkelen, niet omdat de computer geprogrammeerd is om mensen na te bootsen, maar door de manier waarop zijn interne "brein" werkt.

Hier is de uitleg van hoe het werkt, met behulp van eenvoudige analogieën:

1. Het Tweestaps Denkproces

De BIB-agent gebruikt twee tegenovergestelde mentale stappen die elkaar in evenwicht houden:

Stap A: De "Focus" (Bayesiaanse Update)
Stel je voor dat je een detective bent die aanwijzingen verzamelt. Elke keer dat je een aanwijzing ziet, word je zelfverzekerder over één specifieke verdachte. Je begint de anderen te negeren. Als je dit eeuwig zou blijven doen, zou je 100% zeker zijn van slechts één verdachte en stoppen met het bekijken van anderen. Dit is "concentratie".
Stap B: De "Reset" (Inverse-Bayesiaanse Stap)
Stel je nu voor dat er elke keer dat je te zelfverzekerd wordt, een vriend je op je schouder tikt en zegt: "Hé, weet je nog dat vreemde patroon dat we eerder zagen? Laten we doen alsof dat de nieuwe waarheid is, zelfs als we er nog niet veel bewijs voor hebben."
Deze stap neemt je minst geloofwaardige idee en vervangt dit door het meest recente patroon dat je hebt gezien. Het dwingt je geest om open te blijven staan en voorkomt dat je vast komt te zitten op slechts één idee.

2. De "Kritieke Toestand" (Het Zoete Punt)

Het artikel betoogt dat wanneer je deze twee stappen combineert — gefocust raken en vervolgens resetten — je een "zoet punt" bereikt dat criticaliteit wordt genoemd.

Denk aan een koorddanser.

Als ze alleen focussen (Stap A), worden ze rigide en vallen ze omdat ze niet kunnen aanpassen.
Als ze alleen resetten (Stap B), zijn ze te chaotisch en kunnen ze geen beslissing nemen.
Maar als ze beide balanceren, komen ze in een staat van interne criticaliteit. Ze zijn stabiel genoeg om te staan, maar flexibel genoeg om mee te deinen met de wind.

In deze staat blijft de "favoriete gok" (de hypothese die de agent het meest vertrouwt) een tijdje hetzelfde, om vervolgens plotseling te veranderen. De duur van de tijd dat de agent op één gok blijft, volgt een specifieke wiskundige regel (een machtswet). Dit betekent dat de agent van nature lange reeksen van dezelfde gedachte produceert, net zoals mensen dat doen.

3. Waarom dit Speciaal is

De onderzoekers testten dit tegen een standaard "alleen-Bayesiaanse" computer (die alleen Stap A doet, de "Focus").

De Standaard Computer: Het komt snel tot een saai, willekeurig patroon. Het heeft geen lange reeksen. Het is als een robot die nooit van gedachten verandert totdat hij gedwongen wordt.
De BIB-computer: Het valt van nature in de "kritieke toestand". Het heeft lange reeksen van het vasthouden aan een strategie, gevolgd door plotselinge, dramatische verschuivingen.

Het verbazingwekkende is dat dit automatisch gebeurt. De onderzoekers hoefden geen knoppen bij te stellen of de computer te vertellen: "Hé, probeer te handelen als een mens." Ze voegden simpelweg de "Reset"-stap toe, en het complexe, menselijke gedrag ontstond vanzelf.

4. Het "Interne" versus "Externe" Geheim

Er is een twist. Wanneer twee BIB-computers tegen elkaar spelen, worden ze allebei zo goed in aanpassen dat ze eindigen met het spelen van willekeurige zetten, net als de standaard computer. Ze heffen elkaar op.

Hun interne gedachten zijn echter nog steeds chaotisch en streaky. Ze denken in lange reeksen, maar omdat ze spelen tegen een tegenstander die ook perfect aanpast, komen die gedachten niet naar voren in hun uiteindelijke zetten.

Maar als je BIB speelt tegen een mens (die fouten maakt en voorspelbare vooroordelen heeft), stelt de "streaky" aard van de BIB-agent hem in staat om de patronen van de mens vast te grijpen en te exploiteren. Het gedraagt zich als een flexibele predator die in staat is om direct van strategie te wisselen wanneer hij een opening ziet.

De Belangrijkste Conclusie

Dit artikel suggereert dat de reden waarom mensen (en misschien dieren) beslissingen nemen in lange, heavy-tailed reeksen, niet komt doordat we slecht zijn in wiskunde of "irrationeel" zijn. In plaats daarvan komt het misschien omdat onze hersenen een soortgelijke "Focus en Reset"-mechanisme gebruiken.

Door een eenvoudige "vergeten en vernieuwen"-stap toe te voegen aan een standaard leeralgoritme, organiseert het systeem zichzelf vanzelf in een staat van criticaliteit. Het creëert een evenwicht tussen stabiliteit en flexibiliteit dat complex, adaptief gedrag mogelijk maakt zonder dat dit expliciet geprogrammeerd hoeft te worden. Het is een nieuwe manier om AI te bouwen die denkt als een levende, ademende besluitvormer in plaats van een rigide rekenmachine.

Technische Samenvatting: Interne Toestands-criticaliteit in Bayesiaanse–Inverse-Bayesiaanse Inferentie

Probleemstelling
Recent empirisch en theoretisch werk suggereert een convergentie tussen criticaliteit en inferentiedynamiek, waarbij neurale opnames en biologisch foerageergedrag vaak zware staarten (machtswet-statistieken) vertonen nabij kritieke punten. De bestaande literatuur identificeert echter grotende-ende slechts signaturen van criticaliteit of stelt dat geïnferrederde modellen de neiging hebben om nabij kritieke oppervlakken te liggen, zonder een concrete inferentieregel te bieden waarvan de eigen dynamiek inherent kritiek is. Bovendien streeft standaard spel-spelende AI (bijv. Nash-targetende optimalisaties zoals Counterfactual Regret Minimization) naar nauwkeurigheid en convergentie naar optimale strategieën, wat vaak resulteert in een ineenstorting naar uniforme willekeurige spelstrategieën in symmetrische zero-sum spellen, waardoor het faalt om de niet-triviale, heavy-tailed dynamiek te vangen die bij menselijke besluitvorming wordt waargenomen. Het artikel adresseert de behoefte aan een minimaal generatief model waarbij criticaliteit voortkomt uit het inferentieproces zelf, in plaats van opgelegd te worden door externe afstemming of zelforganisatie naar een absorberende toestand.

Methodologie
De auteurs stellen Bayesiaanse–Inverse-Bayesiaanse (BIB) inferentie voor en simuleren dit binnen de context van herhaalde $N$ -hand cyclische dominantie Rock-Paper-Scissors (RPS) spellen.

Het Model: De BIB-agent onderhoudt een set hypothesen ( $N_h$ ) over de tegenstander. Het voert een standaard Bayesiaanse update (contractie) uit op basis van geobserveerde uitkomsten. Cruciaal is dat het dit aanvult met een Inverse-Bayesiaanse stap (relaxatie): na een venster van $m$ observaties wordt de hypothese met de laagste posterior waarschijnlijkheid vervangen door het empirische histogram van recente observaties. Deze "hypothese-vernieuwing" voorkomt posterior collapse en injecteert nieuwe hypothesen die de recente datastromen reflecteren.
Experimenteel Ontwerp: De studie maakt gebruik van een grootschalige simulatie ( $\sim 10^8$ beslissingsgebeurtenissen) waarbij zes assen worden gescand: spelgrootte ( $N \in \{3, 5, 7\}$ ), aantal hypothesen ( $N_h \in \{3, 6, 10, 15, 20\}$ ), venstergrootte ( $m \in \{10, 20, 50, 100\}$ ), initialisatie (random versus gestructureerd), voorspellingsmodus (sampling versus argmax), en de scherpte van de likelihood.
Controles: De auteurs vergelijken BIB met:
- Bayes-Only (BO): Agenten die standaard Bayesiaanse updates uitvoeren zonder de inverse stap.
- Standaard Leerders: Win-Stay/Lose-Shift (WSLS), Q-learning, en Regret Matching.
- Random Agents: Uniform willekeurig spel (Nash-evenwicht baseline).
Observabelen: De primaire metriek is de argmax-persistentietijd ( $T_{argmax}$ ), gedefinieerd als de duur waarin de meest waarschijnlijke hypothese ongewijzigd blijft. Secundaire metrieken zijn laminaire fase-lengtes (perioden waarin de maximale posterior waarschijnlijkheid een drempel overschrijdt) en finite-size scaling analyses.

Belangrijkste Resultaten

Universele Kritieke Toestand: Over alle ontwerpvariaties (initialisatie, voorspellingsmodus) en tegenstander-klassen heen, settleert de BIB-dynamiek in een robuuste interne kritieke toestand. De distributie van argmax-persistentietijden volgt een heavy-tailed machtswet met een exponent $\alpha \approx 1.43$ (bij de canonieke venster $m=50, N=3$ ).
Afwezigheid in Bayes-Only Inferentie: BO-agenten, die de inverse stap missen, vertonen geen machtswet-persistentie. Hun distributies laten zich beter beschrijven door stretched exponenten of lognormalen, en ze missen een universeel exponent over verschillende hypothese-aantallen.
Universaliteitsklasse en Drift: De gemeten exponent $\alpha \approx 1.43$ is geen vaste constante maar drift systematisch naar de universele waarde van $3/2$ (kenmerkend voor on-off intermittentie en de Sparre–Andersen first-return wetten) naarmate de eindige steekproef residu $(N-1)/(2m)$ verdwijnt. Dit bevestigt dat de dynamiek wordt gedreven door een zero-drift log-posterior walk die door de inverse stap wordt gepind.
Finite-Size Scaling: Het systeem vertoont finite-size scaling met betrekking tot het aantal hypothesen $N_h$ . In de kernregime ( $N_h \in \{6, 10\}$ ) is het exponent invariant. De cutoff-tijd schaalt als $T_{max} \propto N_h^{-z}$ met $z \approx 1.49$ . De posterior spreiding schaalt als $\sigma \propto N_h^{-\beta}$ met $\beta \approx 1.07$ , wat dicht bij de informatie-theoretische ondergrens ligt, wat aangeeft dat de inverse stap de schaling absorbeert in de vernieuwingsdynamiek.
Robuustheid: De universaliteit houdt stand over verschillende speldimensies ( $N=3, 5, 7$ ), verschillende spelstructuren (getest op Matching Pennies, $N=2$ ), en diverse observatieregels, mits de inverse-Bayesiaanse vernieuwing actief blijft.
Intern versus Extern: In symmetrische BIB-tegen-BIB spelen tegen een uniforme Nash-tegenstander, is de heavy-tailed criticaliteit beperkt tot de interne hypothete-ruimte. Gedragstreken (hand-repetities, winstreaks) blijven exponentieel omdat de symmetrische tegenstander de actie-marginal naar uniforme Nash pin. Echter, tegen een vaste, bevooroordeelde (exploiteerbare) tegenstander, kruisen de gedragstreken van de agent over naar machtswetten, wat aantoont dat de interne criticaliteit fungeert als een reservoir van flexibiliteit.

Betekenis en Claims
Het artikel claimt een universele kritieke structuur te hebben geïdentificeerd die wordt gegenereerd door een inverse-Bayesiaanse relaxatiestap toe te voegen aan standaard Bayesiaanse inferentie.

Mechanisme: De auteurs argumenteren dat dit een mechanisme is van interne toestand-criticaliteit bereikt door de voortdurende reconstructie van de hypothese-ruimte grens, in plaats van zelforganisatie naar een absorberende toestand (traditionele SOC). De inverse stap pin de per-stap log-posterior drift structureel naar nul, wat een kritieke toestand creëert zonder externe parameterafstemming.
Onderscheid van SOC: Hoewel het gelijkenissen vertoont met SOC (schaalvrije statistieken, geen tuning), onderscheiden de auteurs BIB door te merken dat het niet zelforganiseert naar een absorberend kritiek punt, maar criticaliteit behoudt via grensreconstructie. Ze identificeren de dynamiek operationeel met on-off intermittentie op de simplex van hypothese-distributies.
Gedragsrelevantie: De studie suggereert dat BIB een generatief model biedt voor de heavy-tailed persistentie-statistieken die worden waargenomen in menselijke besluitvorming. In tegen tegenstelling tot Nash-targetende algoritmen die ineenstorten naar willekeur in symmetrische spellen, reproduceren BIB-agenten van nature de niet-triviale, heavy-tailed dynamiek van menselijk spel, zonder dat daarvoor pre-training of externe fitting nodig is.
Bescheidenheid: De auteurs verklaren expliciet dat $\alpha \approx 1.43$ een protocol-afhankelijke schatting is van een universaliteitsklasse, en geen fysieke constante. Ze beweren niet klassieke SOC te hebben bewezen, maar willen een universele kritieke structuur karakteriseren die robuust is over een natuurlijk parameterrange. De significantie ligt in het bieden van een minimaal, generatief inferentieregel die de kloof overbrugt tussen rationele optimalisatie (die faalt om menselijke dynamiek te vatten) en de empirische observatie van criticaliteit in biologische systemen.