极简主动推理代理
这篇文章探讨了利用深度学习和人工智能设计和实现基于主动推断的人工智能代理,为主动推论框架提供新的视角和实际指南,对于对主动推论新手和想要研究自由能原理实现的深度学习从业者有启发作用。
Jul, 2022
本文介绍了自由能原理在大脑科学中的应用,结合视知觉、机器学习以及统计热力学等领域的理论,提供了一种生物学上可行的自由能实现方案的数学评估及其物理结构,旨在揭示自由能原理实现方案对大脑科学的重要性。
May, 2017
本文介绍了 Active Inference (AIF) 作为 Free Energy Principle (FEP) 的一个结果,并给出了一个利用特定自由能泛函的局部版本的 FEP,使其适用于任意图形模型,为构建具有限制的平衡图提供了一种新的途径。同时,还介绍了利用 CFFG 实现 AIF 的先前算法,并介绍了一种允许 AIF 代理的直接策略推断的新算法,以解决长期以来阻碍 AIF 在工业应用中发挥作用的扩展问题。
Jun, 2023
通过对单个根期望自由能定义的问题进行形式化,本文研究了两个设置,其中每个设置都有其自己的根期望自由能定义。在第一个设置中,尚未提出任何关于期望自由能的正当化,但所有公式都可以从中恢复出来。然而,在这个设置中,代理不能对观测进行任意先验偏好,只有与生成模型的似然映射相兼容的观测先验偏好的有限类才能赋予。在第二个设置中,已经知道根期望自由能定义的正当化,但该设置仅涵盖两种表达方式,即风险加上不确定性和熵加期望能量的表达方式。
Feb, 2024
该论文研究了基于自由能原理的主动推理对机器学习中的强化学习和示范学习问题的解决,并将此概念应用于标准问题山车问题,结果表明主动推理可以涵盖强化学习和示范学习技术。
Apr, 2019
本文介绍了基于主动推理的深度强化学习理论,利用 Monte-Carlo 搜索和深度学习扩展此框架,实现更复杂任务的解决,实验表明,除了最后一层的 critic network 以及转移和编码器网络的方差层,将期望自由能最小化的主动推理代理与将奖励最大化的代理的学习表示相似,但前者会因动作选择一直选择下方而无法收集足够多的数据,与后者相比差异在于双方的认知价值。
Mar, 2023