运用预测编码和不确定性最小化两种生物启发式计算方式，提出了一种端到端的嵌入式探索过程，可用于解决任务无关的探索问题。在迷宫导航和积极视觉任务中，我们的模型均能够通过建立无监督表示，对感知场景进行主动采样、高效分类，学习效率更高、数据效率更高。此外，模型的模块化设计允许分析其内部机制以及在探索行为中，感知与行动之间的相互作用。

Jul, 2023

本文提出了一种深度学习方法，用于解决无线通信中的一类主动感知问题。该方法利用 LSTM 网络和 DNN 网络，旨在优化自适应信道感知任务，包括自适应波束成形和自适应可重构智能表面感知问题。数值结果表明该新方法优于现有的自适应或非自适应感知方案。

Dec, 2021

通过学习控制感知，本文解决了检测给定二进制过程中异常的问题。我们设计了一种顺序选择策略，以最小化决策延迟和总感知成本，并使用深度增强学习和深度主动推断算法来解决该问题。

Nov, 2023

该论文提出了基于主动推理框架的机器学习技术，提出了基于编码自动化和受生物启发的认知结构，并通过计算机模拟证明了该方法的有效性，同时分析了其局限性和优点。

Oct, 2017

本研究中，我们解决了 Bayesian 主动学习和实验设计中的问题，通过选择测试来减少有关一组假设的不确定性，并开发了 HEC 算法来帮助我们尽快将不确定性减少到单一决策区域。该算法基于计算完整的对称多项式子集的有效实施，并在两个实际应用中得到了验证：近似基于比较的学习和使用机器人手臂的主动定位。

Feb, 2014

该论文提出了一种基于信息增益的算法，使用包括单点在内的矩形区域的噪声平均值来主动收集数据来搜索稀疏信号，并在 1D 中对其进行分析，展示了其与其他算法的较高效率表现，并使用卫星图像数据和高维中的搜索问题证明了其实际表现。

Dec, 2016

基于自由能最小化原则的主动推理理论，提出了一个输出 - 概率、时间预测、模块化人工神经网络结构，能够处理感觉运动信息，推理与行为相关的世界方面，并调用高度灵活、目标导向的行为，其中包括利用形成的地形图灵活驾驶、避免障碍和选择通往目的地的路径。另外，研究表明该学习代理适用于进行零样本推广，适用于不同地形的环境。

Feb, 2022

本文提出了两种基于信息熵和互信息准则的高效信息论路径规划方法，可以改进高斯过程模型中异性场的主动感知性能，并优化时间效率。该算法在实际应用中可以比现有技术更有效，计算时间较短。

Feb, 2013

研究指出，由于无法充分建模随机转换动态，特别是在计划期间评估广泛的策略空间时，计算实现大多受限于低维确定性设置。最近的进展提出了一种修改的规划算法，我们在此基础上评估了主动推理在随机控制环境中的效用，结果表明与强化学习相比，无论在确定性还是随机性环境中使用主动推理都具有优势。

Aug, 2021

本文提出了一种基于贝叶斯方法和高斯过程的主动学习框架 ——ABCI，该框架可同时进行因果图推断和因果推理，通过最大信息设计测量，从少量样本中更加高效地准确学习下游的因果查询，并为有关量提供良好的预测不确定性估计。

Jun, 2022