采用心灵理论将人的意图、机器理解和人对机器的理解显式建模，生成更优质的 AI 解释框架以提高人们对复杂机器学习模型的信任。在 3 个视觉识别任务中展示了该框架的实际应用性，而且经过大量的人类实验证明该框架的效果比现有的同类算法要更好。

Sep, 2019

探讨了为了使人工智能和人类更有效地团队合作，人类需要了解人工智能的思维方式（称为 ToAIM），并在可视化问题回答视觉问题领域内进行实篇研究，发现虽然解释性 AI 受到了广泛关注，但访问模型内部状态对于预测其行为并不有帮助。

Apr, 2017

本文介绍了一种使用心理意识理论建立社交智能代理以有效沟通与合作完成任务的方法，通过观察、推断和接收信息，这些代理可以推断他人的心理状态和意图并决定何时、与谁分享自己的意图，最终在两个典型目标导向的多代理任务中展示了优异的性能。

Oct, 2021

为了发展具有人类级社交智能的机器，我们引入了一种多模式心智问答（MMToM-QA）基准，它综合评估机器的心智理解能力，并基于多模式数据和关于家庭环境中人物活动的不同类别的单模式数据。为了实现多模式心智能力，提出了一种新方法 BIP-ALM（基于语言模型的贝叶斯逆规划加速），它从多模式数据中提取统一的表示，并利用语言模型进行可扩展的贝叶斯逆规划。与人类表现、BIP-ALM 和包括 GPT-4 在内的先进模型进行了系统比较，实验表明大型语言模型和大型多模式模型仍然缺乏强大的心智理解能力，而 BIP-ALM 则通过利用基于模型的心智推理和语言模型的能力展现了有希望的结果。

Jan, 2024

本文研究了多智能体环境中，人类与机器人协作对抗他人时，基于心智化理论的机器人政策对于人机信任的重要性和有效性，并通过采用机器人心智理论模型来缓解机器人采用逆心理策略的问题以保持信任。

Nov, 2023

通过设计 Theory of Mind （ToM）神经网络，该网络利用元学习从行为观察中建模遇到的智能体，从而学习模拟其他智能体在其世界中的行为，它是发展多智能体 AI 系统、构建机器人与人类交互技术和推进可解释 AI 进步的一个重要步骤。

Feb, 2018

研究使用贝叶斯心理理论，通过比较具有 ToM 代理和非 ToM 代理的合作玩家的表现，证明 ToM 代理的存在可以显著提高所有类型合作伙伴（包括人类玩家）的合作效率，对于设计更好的合作代理有重要的意义。

Jul, 2020

本文综述了近年来关于机器 Theory of Mind（ToM）在信仰、欲望和意图方面的进展，概括了不同任务和数据集的发展，并比较了具有优势、局限性和适用条件的模型。我们认为，提出标准的评估标准和数据集，特别是覆盖了 ToM 多个方面的大规模数据集，是解决这种困难的方法之一。

Mar, 2023

提出了一种实用的语义通信框架，通过理论心智（ToM）模拟接收者的神经网络，使用动态两级反馈机制实现有效的面向目标的信息共享，优化信道编码过程，提供语义反馈级别并减少比特量，从而实现高效的通信。

Nov, 2023

本研究为了衡量 Theory of Mind（意念）在语言学习中的影响，在现有 ToM 的版本上，建立了能够融合 ToM 的语言学习代理，并通过实验，证实高度融合 ToM listener 组件的训练，可以在图像指称游戏环境中获得更好的性能，这表明在计算语言习得中进一步结合 ToM 以及儿童语言习得研究的潜在效用。

Mar, 2023