Bayesian Models of Cognition: Reverse Engineering the Mind（認知のベイズモデル：心のリバースエンジニアリング）

引用

Griffiths, T. L., Chater, N., & Tenenbaum, J. B. (Eds.). (2024). Bayesian Models of Cognition: Reverse Engineering the Mind. The MIT Press.

章の要約

本書は全648ページで、二つの部のほか、序文と短い結びの部分からなる。複数の著者による論集であり、三人の編者が多くの章を執筆または共同執筆し、個別のテーマの章はそれぞれの専門家が担当している。出版社の説明では、第I部は重要な数学的考え方を扱い、心理学文献からの例や具体的なモデルの詳しい導出を添え、第II部は発展的なテーマとその応用を扱ったうえで、「リバースエンジニアリング」という方法への批判にも触れる。

第I部：基礎

第1章：Introducing the Bayesian Approach to Cognitive Science（ベイズ認知科学への導入）。 三人の編者による冒頭の章で、書名にいう「心のリバースエンジニアリング」の枠組み、すなわち認知を不確実性のもとでの推論問題への解として捉える見方を示す。

第2章：Probabilistic Models of Cognition in Historical Context（歴史的文脈における認知の確率モデル）。 確率的アプローチを心についての長い思想史の中に位置づけ、数学に入る前にこの考え方の由来を見せる。

第3章：Bayesian Inference（ベイズ推論）。 GriffithsとTenenbaumによる基礎の章で、以後の全章が依拠するベイズ推論の中心的な論理を扱う。

第4章：Graphical Models（グラフィカルモデル）と第5章：Building Complex Generative Models（複雑な生成モデルの構築）。 どちらもGriffithsとAlan Yuilleの執筆で、基本的な推論から構造をもつ確率的表現へ進む。まずグラフィカルモデル、次により豊かな世界の生成モデルを組み立てる方法である。

第6章：Approximate Probabilistic Inference（近似的な確率推論）。 GriffithsとAdam Sanbornの執筆で、厳密なベイズ計算が実行できないときにどうするかを扱う。この話題は第II部のサンプリングと資源合理的分析の章で再び現れる。

第7章：From Probabilities to Actions（確率から行為へ）。 Chater、Griffiths、Mark Hoの執筆で、推論を意思決定へ広げ、信念が選択にどうつながるかを述べて第I部を締めくくる。

第II部：発展的テーマ

第II部は短いインタールードで始まり、その後に15の章が続く。多くは当該テーマを研究するチームが執筆している。

第8–9章：Learning Inductive Bias with Hierarchical Bayesian Models（階層ベイズモデルによる帰納バイアスの学習）；Capturing the Growth of Knowledge with Nonparametric Bayesian Models（ノンパラメトリックベイズモデルによる知識の成長の捉え方）。 モデルが自らの制約を学習する仕組みと、データの到来に応じて複雑さが増していく仕組みを扱う二つの章。

第10–11章：Estimating Subjective Probability Distributions（主観確率分布の推定）；Sampling as a Bridge Across Levels of Analysis（分析水準をつなぐ橋としてのサンプリング）。 前者は人々が抱く信念の測定に、後者は計算水準のモデルと、過程水準の説明としてのサンプリングの結びつけに関わる。

第12–13章：Bayesian Models and Neural Networks（ベイズモデルとニューラルネットワーク）；Resource-Rational Analysis（資源合理的分析）。 ベイズモデルをニューラルネットワークモデルと並べ、計算の限界が合理的行動のモデルをどう形づくるべきかを問う。

第14–15章：Theory of Mind and Inverse Planning（心の理論と逆計画）；Intuitive Physics as Probabilistic Inference（確率的推論としての直観物理）。 他者の目標についての推論と、日常的な物理現象の理解への応用。

第16–17章：Language Processing and Language Learning（言語処理と言語学習）；Bayesian Inference over Logical Representations（論理的表現上のベイズ推論）。 言語への応用と、構造をもつ記号的仮説の上での推論。

第18–19章：Probabilistic Programs as a Unifying Language of Thought（思考の統一言語としての確率プログラム）；Learning as Bayesian Inference over Programs（プログラム上のベイズ推論としての学習）。 思考と学習の表現としての確率プログラム。

第20章：Bayesian Models of Cognitive Development（認知発達のベイズモデル）。 Elizabeth BonawitzとTomer Ullmanによる章で、この枠組みを子どもの学習に適用する。

第21章：The Limits of Inference and Algorithmic Probability（推論の限界とアルゴリズム的確率）（Chater）と第22章：A Bayesian Conversation（ベイズをめぐる対話）（三人の編者）は、この方法の限界と議論に目を向ける。その後に短い結び、謝辞、長い参考文献、索引が続く。

主要概念

第I部

• ベイズ推論：証拠に照らして仮説の確率を更新すること。以後のすべての章が依拠する論理である。
• グラフィカルモデルと生成モデル：観測データが隠れた原因からどう生じるかを構造的に記述する方法。
• 近似推論：厳密な計算が難しいときにベイズ的な答えを見積もる方法。
• 意思決定：信念を行為に変換すること。

第II部

• 階層モデルとノンパラメトリックモデル：帰納バイアスを学習でき、データとともに複雑さが増しうるモデル。
• サンプリングと資源合理的分析：限られた心が合理的推論をどう近似しうるかについての説明。
• 逆計画と直観物理：行動から目標を、観察から物理的出来事を推論すること。
• 確率プログラム：仮説として、また思考の言語として用いられるプログラム。

批判的分析

長所

• この方法の提唱者による執筆。 出版社は三人の編者をこの分野の先駆者と紹介しており、枠組みを示す章は彼らが執筆または共同執筆している。出版社は寄稿者を新しい研究の最前線にいる専門家と述べており、第II部の各章にはそれぞれの専門の著者が示されている。
• 意図された入り口。 第I部は七つの章、約225ページをかけて、推論の基本的論理からグラフィカルモデル、近似、意思決定へと積み上げ、その後に専門的な応用へ入る。出版社によれば、基礎原理を学びたい読者のための詳しい導出と参考文献、さらに個別モデルの短いチュートリアルとケーススタディが含まれる。
• 認知領域の幅広さ。 第II部は、この枠組みを学習、社会的推論、物理的推論、言語、論理的・プログラム的表現、発達へと適用しており、この方法がどこで使われてきたかの地図としても役立つ。
• 批判のための場所。 出版社は、本書が「リバースエンジニアリング」的アプローチへの批判にも取り組むとしており、結びの章には推論の限界についての章と、編者同士の対話と題された章が含まれる。

短所

• 数学的な要求。 本書は導出と確率モデルを詳しく示すため、確率や微積分に触れたことのない読者には第I部でも進みが遅く感じられるだろう。出版社が想定する読者は、上級の学部生と大学院生である。
• 論集ゆえのばらつき。 多くの章で執筆チームが異なるため、第II部では記法、深さ、ペースが揃わない可能性がある。各章は比較的独立した論考として読むのがよい。
• 長さと範囲。 648ページあり、一学期で通読する本ではない。授業では第II部の章を取捨選択する必要がある。
• 概観ではなく一つの枠組み。 本書はベイズ的アプローチを軸に構成され、ニューラルネットワークとの関係を論じる章はあるが、認知理論を中立的に概観したい読者は、一般的な認知心理学の教科書を併読する必要がある。

コースにおける位置づけ

このコースの書籍リストの中で、本書は最も専門的である。認知心理学全体ではなく、一つの理論的アプローチを扱っている。一般的な教科書を先に読むのがよい。TaylorとWorkmanの Cognitive Psychology: The Basics と、EysenckとBrysbaertの Fundamentals of Cognition は、この分野に初めて触れる読者向けである。Reisbergの Cognition は読みやすい文章の中程度の分量の学部向け教科書で、EysenckとKeaneの Cognitive Psychology: A Student's Handbook は計算モデリングを含む総合的な教科書である。いずれも、本書の第II部が前提とする知覚、記憶、言語、推論に関する実証的背景を提供してくれる。

Gazzanigaらの Cognitive Neuroscience は、脳の生物学の側から認知に近づく。本書は神経機構ではなく計算問題の水準で議論するため、両者は補い合う関係にあるが、分析水準をつなぐ橋としてのサンプリングの章は、両者の関係を論じている。

本書の使い方

認知心理学の科目を履修済みで、基礎的な確率、微積分、線形代数に慣れている上級の学部生や大学院生に向いている。自分でモデルを作ったり動かしたりするには、プログラミングの経験も必要になる。本書はプログラミングや統計の授業の代わりにはならない。

実際的な読み方は次のとおり。

• 中核： 第1–3章。枠組みと推論の論理を押さえる。ベイズ認知モデルが何を主張するかだけを知りたい読者には、これで十分である。
• モデリングのために： 第4–7章でグラフィカルモデル、生成モデル、近似推論、意思決定を加える。先へ進む前に、導出を手またはコードで追ってみる。
• 関心に応じて： 第II部はテーマで選ぶ。学習と発達に関心があれば第8–9章、社会的・物理的推論なら第14–15章、言語なら第16章、記号的・プログラム的表現なら第18–19章。
• 批判的視点のために： 第12、13、21、22章をまとめて読む。ベイズモデルとニューラルネットワーク、限られた計算、推論の限界との関係を扱っている。

哲学的背景に馴染みがなければ、第2章を第1章と併せて読むとよい。第II部の各章には、参考文献から実証論文を一本ずつ組み合わせると、モデルがデータでどう検証されるかが分かる。