PHASE: 기계 사회 지각을 위한 물리 기반 추상 사회 이벤트
Digest: 인간은 삼각형과 원이 움직이는 것만 봐도 “쫓고 있다”, “도와주고 있다”는 사회적 의미를 즉각 읽어낸다 — Heider & Simmel(1944)이 발견한 이 현상은 90년 가까이 지나도록 계산 모델로 재현되지 못했는데, 기존 벤치마크가 실제 물리 법칙과 에이전트의 동기를 무시하고 단순 궤적 패턴만 제공했기 때문이다. PHASE의 핵심 통찰은 사회적 동기를 물리 목표 위에 올려 놓은 단일 보상 함수로 정식화할 수 있다는 것이다. 즉, 에이전트 i의 보상 R_i = (1-|α_ij|)R(s,g_i) + α_ij R(s,g_j) + C(a) 에서 사회 효용 가중치 α(social utility weight α; -1이면 방해, 0이면 중립, +1이면 도움)가 물리 목표와 타인 목표를 자연스럽게 결합시킨다. 이 보상을 행동으로 바꾸기 위해 계층적 플래너(상위 A*로 큰 경로를 계획하고, 하위 POMCP로 실시간 의사결정을 수행하는 이중 구조)를 쓰고, 각 에이전트는 원뿔형 시야(conical field of view)와 촉각 센서만 갖는 부분 관측(partial observability) 환경 — Dec-POMDP(여러 에이전트가 각자 불완전한 정보로 행동하는 확률적 의사결정 모델) — 에서 작동하여, 결과 영상이 단순 반사 행동이 아닌 믿음 기반 계획처럼 보이게 한다. 생성된 500개 영상과 함께 제시된 베이지안 역 계획(관찰된 행동으로부터 숨겨진 목표·동기를 역으로 추론하는 방법) 베이스라인 SIMPLE은 목표 추론 Top-1 87.0%, 관계 추론 88%를 달성해, ARG(48.5%/61%)와 2-Level LSTM(40.5%/77%)을 크게 앞섰으며 궤적 예측 ADE 3.84로 S-LSTM(7.02)·STGAT(7.08)보다 정확했다 (Table 1·2). 인간 실험에서 PHASE 영상의 “사람 같은 정도” 평균 3.98점은 인간 조작 영상 4.06점과 동등하게 평가되었다. 그러나 사회 이벤트 유형이 다섯 가지(도움/협력/방해/추격/충돌)에 한정되고 에이전트가 최대 2명이며, α가 고정 이산 값(-1/0/+1)이라 연속적·혼합 동기나 세 명 이상의 집단 역학은 모델화하지 못한다. 또한 SIMPLE은 MCMC 기반 추론으로 계산 비용이 크고, 실세계 픽셀 영상으로의 전이는 검증되지 않았다.
섹션별 요약
Abstract
PHASE(PHysically-grounded Abstract Social Events)는 물리 엔진과 계층적 플래너를 사용해 절차적으로 생성한 2D 애니메이션 500편으로 구성된 데이터셋으로, 에이전트 간의 돕기·방해·협력 등 복잡한 사회적 상호작용을 물리적 환경 안에서 표현한다. 기존 벤치마크가 하이파이브·악수 같은 단순 동작 인식에 그쳤던 것과 달리, PHASE는 장기적이고 의도 기반인 사회적 사건을 대상으로 한다. 에이전트는 제한된 원뿔형 시야(partial observability)를 가지며, 물리적 힘·크기 차이·장애물이 있는 연속 공간에서 행동한다. 두 가지 머신 인식 태스크(목표·관계 추론, 미래 궤적 예측)를 제안하며, 베이즈 역계획(Bayesian inverse planning) 기반 모델 SIMPLE이 최신 피드포워드 신경망을 유의미하게 능가함을 보인다. 인간 실험으로 데이터셋의 사회적 풍부성과 시뮬레이션 궤적의 인간 유사성이 검증되었다.
저자 contribution
- 물리 시뮬레이션과 사회적 목표를 결합한 절차적 생성 파이프라인(Dec-POMDP + 계층적 플래너)으로, 물리적으로 근거된 복잡한 사회적 사건을 대규모로 생성하는 최초의 합성 데이터셋 PHASE를 제시한다.
- 목표·관계 공동 추론과 다개체 궤적 예측이라는 두 사회 인식 태스크를 설계하고, 기존 신경망 기반 방법들이 이 태스크에서 현저히 실패함을 보여 새로운 도전 과제를 제시한다.
- Bayesian 역계획 접근법 SIMPLE(SIMulation, Planning and Local Estimation)을 제안하여, 최신 LSTM·그래프 신경망 기준선 대비 목표 인식(Top-1: 0.870 vs. 0.485)과 궤적 예측(ADE: 3.84 vs. 7.02) 모두에서 크게 앞서는 성능을 달성한다.
왜 이 연구를 하는가?
연구 동기 — 인간 사회 지능의 핵심은 다른 에이전트가 물리 환경과 상호작용하는 방식을 보면서 그들의 목표(goal)·신념(belief)·관계를 즉각 추론하는 능력이다. 인간과 협력하는 AI·로봇 역시 이 능력을 갖춰야 하지만, 기존 데이터셋과 벤치마크는 이를 체계적으로 평가하지 못한다.
기존 연구의 한계
- 표면적 동작 인식에 국한: 기존 사회 상호작용 이해 연구는 하이파이브·악수·껴안기처럼 몇 초짜리 짧고 가시적인 신체 동작이나 단순 집단 활동(군집, 줄서기) 분류에 집중했다. 이는 왜 에이전트가 특정 행동을 하는지(의도·관계)가 아니라 무엇을 하는지만 서술한다.
- 물리 기반 복잡 사회 사건 벤치마크 부재: 기존 합성 데이터셋은 물리 장면이나 단일 에이전트 활동에 초점을 맞췄고, 물리 엔진을 쓴 선행 연구(Shu et al. 2019, 2020)조차 소수 시나리오·완전 관측에 한정됐다. 부분 관측성, 강도 차이·장애물, 장기 목표를 아우르는 대규모 벤치마크는 없었다.
핵심 연구 질문 및 통찰 — 단일 동작(예: 물체를 집어 나르기)은 의도·관계에 따라 ‘돕기’일 수도 ‘빼앗기’일 수도 있고, 반대로 ‘돕기’는 무수히 다양한 형태를 취한다. 따라서 사회 인식의 핵심은 관찰 가능한 동작 패턴이 아니라 에이전트의 목표·관계라는 숨겨진 정신 상태를 역추론하는 것이다. Heider & Simmel(1944)이 보여준 것처럼 단순 기하 도형의 움직임에서도 인간은 사회적 행동(추적, 훔치기)을 자발적으로 지각한다는 데서 착안하여, 추상적 2D 애니메이션으로도 풍부한 사회적 사건을 표현·평가할 수 있다는 통찰을 도출한다.
Introduction
인간은 에이전트들이 물리 세계 및 서로와 상호작용하는 방식을 관찰하는 것만으로 상대의 목표·신념·특성(예: 물리적 강도)·관계(예: 친구, 적)를 자발적으로 추론한다. AI·로봇이 인간과 협력하려면 동일한 추론 능력이 필요하다. 기존 연구는 사회적 상호작용의 *결과물(artifact)*만 다루고 왜 그 행동을 하는지는 다루지 않았다. 저자들은 Heider & Simmel(1944)의 통찰에서 영감을 받아 2D 물리 엔진 기반 추상 사회 사건 데이터셋 PHASE를 구축한다. PHASE는 500편의 애니메이션으로 구성되며, 에이전트는 서로 다른 물리적 강도를 지니고 제한된 원뿔형 시야 안에서 부분 관측 환경을 탐색한다. 각 비디오는 물리 구성(환경 레이아웃, 초기 상태, 강도)과 사회 구성(목표, 관계)을 가지며, 계층적 플래너와 물리 엔진이 행동을 절차적으로 생성한다. 기여는 (i) 물리-사회 통합 시뮬레이션, (ii) 최초의 추상 사회 사건 데이터셋 PHASE, (iii) 두 사회 인식 태스크와 벤치마크(SIMPLE 포함)다.
Methods
1. 통합 물리-사회 시뮬레이션 (Dec-POMDP 기반) — 사회 행동을 **탈중앙화 부분 관측 마르코프 결정 과정(Dec-POMDP)**으로 형식화한다. 행동은 8방향 힘 적용, 회전, 정지, 물체 잡기/놓기, 무행동으로 구성된다. 물리 역학은 상태 전이 확률 T로 정의되며, 에이전트 i의 최대 힘 f_i가 물리적 강도를 나타낸다.
- 부분 관측성 및 시야: 각 에이전트는 매 스텝 (1) 원뿔형 시야(conical field of view) — 내부 벽과 다른 개체에 의해 차단되는 방향성 시야로, 에이전트 자신의 신념 갱신에 쓰이는 부분 관측 메커니즘 — 와 (2) 촉각 센서로 세계를 관측한다. 에이전트는 환경 지도와 총 개체 수는 알지만, 다른 개체의 위치는 보거나 만지기 전까지 알 수 없다.
- 사회적 목표와 사회 효용 가중치 α: 각 에이전트는 물리적 목표(랜드마크로 이동, 물체를 랜드마크로 이동, 다른 에이전트에 접근/회피) 또는 사회적 목표(돕기·방해하기)를 가진다. 관계는 **α_ij ∈ {−1, 0, 1}**로 인코딩된다 (1=도움, −1=방해, 0=중립). 보상 함수:
R_i(s,a) = (1−|α_ij|)·R(s,g_i) + α_ij·R(s,g_j) + C(a).
2. 계층적 플래너 (HP = A + LP = POMCP)*
- 파티클 신념: 각 에이전트 신념은 K=50개 파티클 집합으로 근사. 관측과 불일치하는 파티클은 재샘플링.
- 고수준 플래너(A)**: 파티클을 기호 술어(ON, TOUCH, ATTACH, CLOSE)로 변환하고 A로 서브목표 계획을 탐색. 가치 함수가 파티클 다수가 선택하는 서브목표와 도달 비용(λ=0.05)을 균형있게 반영해 최선 서브목표 선택.
- 저수준 플래너(POMCP): 선택된 서브목표 도달을 위한 구체 행동 탐색 (시뮬 1,000회, 롤아웃 10스텝, PUCT c_init=1.25, c_base=1,000).
3. SIMPLE — 베이즈 역계획 추론 — 가설 Y = ⟨g_i, g_j, α_ij, α_ji, f_i, f_j⟩. 사후 확률 P(Y|s_{1:T}) ∝ P(s_{1:T}|Y)·P(g_i)·P(g_j)·P(α_ij,α_ji)·P(f_i)·P(f_j), 우도는 관측 궤적과 생성 모델 G(·)(계층 플래너+물리 엔진) 시뮬 궤적 간 거리 기반. 추론(M=15 파티클, L=6 반복): (1) 초기 제안 — 궤적 시각 단서로 목표 bottom-up 제안, α 균등 분포, 강도는 속도/가속도 MLP 회귀; (2) 국소 추정 갱신 — 오류 큰 국소 시간 구간을 샘플링해 새 가설 제안 후 Metropolis-Hastings로 채택. 미래 궤적은 추론된 목표·관계로 직접 시뮬레이션.
발견 (Findings)
- SIMPLE의 목표 인식 우월성 (Table 1): Top-1 0.870으로 ARG(0.485) 대비 +0.385p, 2-Level LSTM(0.405) 대비 +0.465p. 관계 인식도 SIMPLE 0.88 > LSTM 0.77 > ARG 0.61. 단, 인간(0.970/0.99)과는 격차 존재.
- 궤적 예측 대폭 개선 (Table 2): 전체 ADE 3.84 / FDE 5.23으로 S-LSTM(7.02/7.72), STGAT(7.08/7.70) 대비 ADE ~45%, FDE ~32% 감소.
- 국소 추정 갱신 효과 (Table 3): Initial 0.795 → Global 0.835 → Full 0.870 (Top-1).
- 사회적 상호작용 비디오가 더 어렵다: Social ADE(4.14)>Ind. ADE(3.39), Social FDE(5.75)>Ind. FDE(4.42).
- 시뮬 궤적의 인간 유사성: PHASE 인간유사 평점 3.98 vs 인간조작 4.06 (유의차 없음), 목표/관계 인식 0.97/0.99 vs 0.965/0.92.
Results
Task 1: 목표 및 관계 인식 (Table 1)
| 방법 | 목표 Top-1 | Top-2 | Top-3 | 관계 |
|---|---|---|---|---|
| Human | 0.970 | 0.990 | 0.995 | 0.99 |
| 2-Level LSTM | 0.405 | 0.610 | 0.735 | 0.77 |
| ARG | 0.485 | 0.665 | 0.805 | 0.61 |
| SIMPLE | 0.870 | 0.890 | 0.910 | 0.88 |
Task 2: 궤적 예측 (Table 2, ADE/FDE, 낮을수록 우수)
| 방법 | ADE 독립 | ADE 사회 | ADE 전체 | FDE 독립 | FDE 사회 | FDE 전체 |
|---|---|---|---|---|---|---|
| S-LSTM | 6.47 | 7.21 | 7.02 | 7.10 | 7.93 | 7.72 |
| STGAT | 6.64 | 7.23 | 7.08 | 7.44 | 7.79 | 7.70 |
| SIMPLE | 3.39 | 4.14 | 3.84 | 4.42 | 5.75 | 5.23 |
인간 실험 — (실험 1) 130명이 PHASE 20%를 라벨링, 23개 상호작용 유형 모두 최소 1개 비디오에서 선택, 엄격 기준(≥50% 동의) 시 18개 실생활 범주 인식. (실험 2) 186명을 두 그룹으로 나눠 인간 조작 vs PHASE 비교 — 목표/관계 인식 0.97/0.99(PHASE) vs 0.965/0.92(인간 조작), 인간유사 3.98(σ0.42) vs 4.06(σ0.36).
Discussion
SIMPLE의 의의와 과제 — 물리 역학, 목표 지향 합리적 행동, 계산적 마음 이론이라는 적절한 사전 지식·구조를 갖추면 복잡한 사회 상호작용 이해·예측이 가능함을 보인다. 그러나 인간 성능과 격차가 남고, 물리 엔진 시뮬과 POMCP 탐색을 반복해야 해 계산 효율이 한계다.
한계점 — (1) 계산 비용(추론마다 시뮬+탐색 반복); (2) 단순화된 사회 구조(에이전트가 서로의 목표를 안다고 가정, 동시에 한 에이전트만 사회 목표 추구); (3) 감정·언어 소통·고차 마음 이론 없는 단순 설정.
향후 방향 — 감정·소통·고차 ToM을 포함한 정교한 사회 상호작용 시뮬레이션, 효율적 이론 기반 추론, 그리고 훈련 환경에서 학습한 물리·사회 역학의 새 환경 일반화.
이론적 의의
PHASE는 Heider & Simmel(1944)의 심리학적 관찰을 현대 계산 프레임워크로 구현한 최초의 대규모 벤치마크로, 추상적 물리 운동과 사회 인식의 연결을 통제 실험할 환경을 제공한다. Dec-POMDP + 계층 플래너(A*+POMCP)는 물리 역학과 사회 목표를 단일 생성 모델에 통합해 수동 휴리스틱·딥RL 재훈련 없이 다양한 시나리오를 절차 생성한다. SIMPLE이 신경망을 앞서되 인간에 미치지 못한다는 결과는, 순수 패턴 매칭만으로는 사회 인식이 불충분하며 물리-사회 추론을 결합한 계산적 마음 이론 모델이 필요함을 시사한다.
Discussion Points
- 논쟁점: SIMPLE은 에이전트가 서로의 목표를 안다는 Dec-POMDP 가정을 쓰는데, 이는 타인 의도가 불확실한 실세계를 반영하지 못한다. 저자는 I-POMDP와의 “행동 풍부성–계산 가능성” 트레이드오프로 정당화하지만, 이 단순화가 현실성을 얼마나 제한하는지는 논쟁 여지가 있다. 또 물리 엔진 시뮬에 의존하므로 실제(비합성) 비디오에 직접 적용이 어렵다.
- 검증해야 할 가정: (1) 강도 f_i를 속도/가속도 MLP로 약식 추정하는데 다양한 시나리오에서 정확한지 미검증; (2) 국소 추정이 방해 상황에 유리하다는 직관이 협업·중립에도 균일하게 성립하는지 미검증; (3) 인간 실험이 between-subjects 설계라 직접 비교가 아니라는 점에서 해석 주의.
- 후속 연구: 타인 의도를 불확실 변수로 다루는 고차 ToM·감정·소통 확장; 계산 병목 완화를 위해 시뮬 기반 추론을 신경망으로 amortize(상각)하는 접근(시뮬 사전훈련 신경망이 온라인 추론 시 플래너 대체).
실험 결과 상세
Table 1. Task 1 — 목표·관계 인식 정확도
| Model | Metric | Score | vs. 2-Level LSTM |
|---|---|---|---|
| Human | Goal Top-1 | 0.970 | +0.565 |
| Human | Relation | 0.99 | +0.22 |
| SIMPLE | Goal Top-1 | 0.870 | +0.465 |
| SIMPLE | Relation | 0.88 | +0.11 |
| ARG | Goal Top-1 | 0.485 | +0.080 |
| ARG | Relation | 0.61 | -0.16 |
| 2-Level LSTM | Goal Top-1 | 0.405 | 0 (기준) |
| 2-Level LSTM | Relation | 0.77 | 0 (기준) |
Table 2. Task 2 — 궤적 예측 (ADE/FDE, 낮을수록 우수)
| Model | ADE Ind. | ADE Social | ADE Ave. | FDE Ave. |
|---|---|---|---|---|
| SIMPLE | 3.39 | 4.14 | 3.84 | 5.23 |
| S-LSTM | 6.47 | 7.21 | 7.02 | 7.72 |
| STGAT | 6.64 | 7.23 | 7.08 | 7.70 |
Table 3. SIMPLE 제거 연구 (Task 1)
| 변형 | Goal Top-1 | Relation | vs. Full |
|---|---|---|---|
| SIMPLE Full | 0.870 | 0.88 | 0 (기준) |
| SIMPLE Global | 0.835 | 0.84 | -0.035 |
| SIMPLE Initial | 0.795 | 0.82 | -0.075 |
인간 실험 2 (정량 비교)
| 조건 | 목표 인식 | 관계 인식 | 인간 유사도(1-5) |
|---|---|---|---|
| PHASE 시뮬레이션 | 0.97 | 0.99 | 3.98 (σ=0.42) |
| 인간 조종 | 0.965 | 0.92 | 4.06 (σ=0.36) |
프레임워크 다이어그램
graph TB A["장면 설정<br/>(물리·사회 변수 샘플링)"] --> B["물리 시뮬레이션<br/>(2D Physics Engine)"] A --> C["계층적 플래너<br/>(Hierarchical Planner)"] C --> C1["고수준 플래너<br/>(A* + 신념 파티클)"] C --> C2["저수준 플래너<br/>(POMCP)"] C1 --> C2 C2 --> B B --> D["PHASE 데이터셋<br/>(500개 비디오)"] D --> E["Task 1<br/>목표·관계 인식"] D --> F["Task 2<br/>궤적 예측"] E --> G["SIMPLE 추론<br/>(베이즈 역 계획)"] F --> G G --> G1["초기 제안<br/>(하향식 큐 기반)"] G1 --> G2["국소 추정 기반<br/>제안 갱신 (MCMC / M-H)"] G2 --> G3["사후 확률 계산<br/>목표·관계·강도"]
재현성 및 신뢰도 평가
| 항목 | 등급 | 비고 |
|---|---|---|
| 코드 공개 | ⚠️ | 프로젝트 페이지(tshu.io/PHASE) 존재, 시뮬레이터가 의사코드(Algorithm 1·2)로 상세 기술. 논문 본문에 코드 링크 명시는 없음. |
| 데이터 공개 | ✅ | PHASE 500개 비디오 공개, train 320/val 80/test 100 분할 명시. |
| 하이퍼파라미터 | ✅ | SIMPLE M=15, L=6, η=0.1, β=0.05, ΔT=10; POMCP 1000 sim/10 rollout, c_init=1.25, c_base=1000, λ=0.05; baseline Adam lr 0.001/0.01, batch 8, 64-dim. |
| 실험 환경 | ⚠️ | GPU/CPU 사양, 실행 시간, 라이브러리 버전 부재. |
| 통계적 신뢰도 | ⚠️ | 인간 실험엔 σ 보고, 모델 실험엔 표준편차·신뢰구간·유의성 검정 미보고. |
| 종합 등급 | B | 데이터 공개·하이퍼파라미터 상세가 강점, 코드 직접 공개 미확인·컴퓨팅 환경·통계 신뢰구간 부재가 감점. |
주장별 신뢰도
| 주장 | 근거 | 신뢰도 |
|---|---|---|
| SIMPLE이 신경망 베이스라인을 Task 1에서 크게 능가 | Top-1 0.870 vs ARG 0.485 vs LSTM 0.405, 3지표 일관 | 🟢 |
| PHASE 영상이 인간 조작 영상과 동등하게 지각됨 | 인간유사 3.98 vs 4.06, 인식 0.97/0.99 vs 0.965/0.92 (186명) | 🟢 |
| 사회적 비디오가 독립 비디오보다 예측 어려움 | Social ADE 4.14 vs Ind. 3.39, 두 모델 일관하나 유의성 검정 없음 | 🟡 |
| 국소 추정 갱신이 전역/초기보다 유효 | Full 0.870 > Global 0.835 > Initial 0.795, 단일 실험 | 🟡 |
관련 연구 비교 매트릭스
선정 근거: Help-or-Hinder(2009)·BIPaCC(2017)는 SIMPLE의 직접적 이론 조상, Flatland(2020)는 동일 저자군의 물리 기반 사회 지각 직전 연구, ToMnet(2018)은 학습 기반 ToM 대안, ARG(2019)는 논문 내 실수치 비교가 있는 신경망 baseline.
| 축 | PHASE (2021) | Help-or-Hinder (2009) [base] | Flatland (2020) [direct] | BIPaCC (2017) [base] | ToMnet (2018) [alt] | ARG (2019) [sota] |
|---|---|---|---|---|---|---|
| 핵심 접근 | 물리엔진+계층플래너로 사회사건 절차생성; 베이즈 역계획(SIMPLE) 벤치마크 | 베이즈 역계획으로 도움/방해 목표 추론(격자) | 물리엔진 환경 인간 사회지각 측정(모델 없음) | 베이즈 역계획으로 믿음·욕구·지각 공동 추론 | 메타러닝 신경망으로 목표·행동·거짓믿음 예측 | GNN으로 배우 관계·집단활동 인식 |
| 환경(관찰가능성) | 2D 연속 물리, 부분 관측 | 2D 격자, 완전 관측 | 2D 연속 물리, 완전 관측(소수) | 2D 격자, 완전 관측 | 격자, 완전 관측 | 실세계 비디오, 명시적 관측모델 없음 |
| 물리 엔진 | ✅ | ❌ | ✅ | ❌ | ❌ | ❌ |
| 일반화 평가 | 4종 관계×부분관측, 인간비교 | 도움/방해 2종 한정 | 소수 시나리오 한정 | 3인 이하 소규모 | 격자내 에이전트 유형 | 실세계 활동 비디오 강함 |
| 한계 | MCMC 느림, 2D 추상 한정, 실세계 전이 미검증 | 2종 의도, 물리 없음 | 계산모델 없음, 벤치마크 불가 | 물리 없음, 소규모 | 관계유형 추론 불가, 물리 없음 | 추상 사회의도 추론 불가, 합성환경 어려움 |
| 데이터/코드 공개 | ✅ tshu.io/PHASE | ❌ | ❌ | ❌ | ✅ | ✅ |
원자적 인사이트 (Zettelkasten)
💡 물리 기반 시뮬레이터로 사회적 동기를 ‘심을’ 수 있다
추상적 사회 이벤트(도움·방해·추격)를 생성하는 데 별도 사회 모듈은 불필요하다. 보상 함수 R_i = (1-|α_ij|)R(s,g_i) + α_ij R(s,g_j) + C(a)처럼 타인의 목표 달성을 자신의 보상에 직접 포함시키면, 물리 엔진 위에서 사회적으로 의미 있는 궤적이 창발한다. “사회성”은 별도 레이어가 아니라 목표 함수의 가중치 하나(α)로 압축된다. (조건: α 이산값, 에이전트 ≤ 2, 2D). 연결: Help-or-Hinder BIPaCC Flatland
💡 베이지안 역 계획은 순수 학습 모델보다 데이터 효율적으로 목표를 역추론한다
SIMPLE(M=15 파티클, L=6 MCMC)은 학습 데이터 없이 목표 87%·관계 88%를 달성해 학습 기반 ARG(48.5%/61%)·2-Level LSTM(40.5%/77%)을 압도했다 — 물리 시뮬+계획 모델이 강한 귀납 편향으로 작용함을 보인다. 다만 인간(97%/99%)과 격차가 남고 MCMC 계산 비용이 확장성을 제한한다. 연결: ToMnet ARG BIPaCC
💡 Heider-Simmel 효과는 물리적 제약과 부분 관측의 합작이다
관찰자가 도형에 의도를 귀인하는 것은, 도형이 장애물을 피하고 상대를 ‘아는 듯’ 움직이기 때문이다. PHASE는 이를 부분 관측(원뿔 시야+벽 차단) 하의 신념 기반 계획으로 재현해, 단순 반사 규칙이 아닌 내부 상태 추론이 관찰자의 사회 지각을 촉발한다는 가설을 조작적으로 검증한다(영상 평점 3.98 vs 4.06). 연결: Flatland ToMnet
핵심 용어 정리
| 용어 | 정의 |
|---|---|
| Dec-POMDP | 여러 에이전트가 각자 불완전한 관측만으로 독립적으로 행동하는 확률적 의사결정 모델. 공유된 완전 상태 없이 자신의 믿음으로 행동 선택. |
| Bayesian inverse planning (베이즈 역계획) | 행동을 관찰한 뒤 그 행동을 합리적으로 만드는 목표·동기를 베이즈 확률로 역추론. “결과를 보고 의도를 추측”의 수학적 정식화. |
| 사회 효용 가중치 α | 에이전트 i가 j의 목표 달성에 부여하는 가중치. +1 완전 도움, −1 완전 방해, 0 무시. |
| 계층적 플래너 / TAMP | 상위(A* 경로 탐색)+하위(POMCP 실시간 동작)의 이중 구조 계획기. 장기 행동을 분해. |
| 부분 관측 / 원뿔형 시야 | 에이전트가 시야 방향 원뿔 내부만 관측, 벽이 시야 차단. 관측 불확실성을 50개 파티클로 유지. (에이전트 자신의 지각이지, 포식자 시야 추론이 아님) |
| Heider-Simmel 효과 | 단순 2D 도형의 움직임만 봐도 인간이 의도·감정·사회 관계를 자동 귀인하는 경향(1944). |
| POMCP | 파티클 기반 몬테카를로 트리 탐색으로 POMDP를 근사 해결. 저수준 실시간 행동 결정에 사용. |
| ADE / FDE | 궤적 예측 지표. ADE=예측-실제 경로 평균 거리, FDE=최종 위치 거리. 낮을수록 정확. |
관련 연구
- Help-or-Hinder — 행동 관찰로 도움/방해 의도를 추론하는 선행 베이즈 모델; PHASE 사회 이벤트 분류의 직접 토대
- Flatland — 추상 도형 사회 상황 시뮬레이션; 동일 저자군의 직전 연구(완전 관측·소수 시나리오)
- BIPaCC — 베이즈 역계획으로 믿음·욕구·지각 공동 추론; SIMPLE과 추론 패러다임 공유
- ToMnet — 딥러닝 기반 Theory of Mind; SIMPLE의 데이터-프리 베이즈 접근과 대비되는 학습 기반 대안
- ARG (Action Relation Graph) — PHASE 실험의 직접 비교 baseline; 목표 48.5%/관계 61%
태그
paper #2021 사회지각 다중에이전트 역추론 물리시뮬레이션 인지과학 AAAI Meta-cognition
BibTeX
@inproceedings{netanyahu2021phase,
title = {{PHASE}: {PHysically}-grounded Abstract Social Events for Machine Social Perception},
author = {Netanyahu, Aviv and Shu, Tianmin and Katz, Boris and Barbu, Andrei and Tenenbaum, Joshua B.},
booktitle = {Proceedings of the AAAI Conference on Artificial Intelligence},
volume = {35},
year = {2021},
url = {https://arxiv.org/abs/2103.01933},
eprint = {2103.01933},
archivePrefix = {arXiv}
}