该文章介绍了 Active Inference 的理论，探讨了将行动和规划转化为一个贝叶斯推理问题以最小化可变自由能的方法。 它提出了一种新颖的深度 Active Inference 算法，该算法通过使用深度神经网络作为灵活的函数逼近器来逼近关键密度，从而使 Active Inference 能够处理更大更复杂的任务，并展示了与强化学习的有趣关联。

Jul, 2019

本文介绍了活跃推理的理论，并利用深度学习的最新进展，构建能够处理高维传感器数据并进行主动推理的复杂生成模型，这是深度主动推理在真实世界机器人导航任务中的首次应用。

Mar, 2020

本文通过使用深度学习方法进行不同因素的状态空间分解，提出了一种在 3D 物体表示中使用的更好的主动推理模型，以降低模型复杂度并获得更好的解缠实时空。

Sep, 2022

本文提出了一种建立在深度学习结构之上的主动推理智能体的神经架构，并使用多种形式的蒙特卡罗（MC）采样方法，从而使智能体在利用奖励进行任务时能够更加有效地学习环境动态和模拟未来状态转换。

Jun, 2020

本篇论文提供了关于 Active Inference 在离散状态空间模型中的完整数学综合，从基本原理推导神经动力学，并将此动力学与生物过程联系起来，是了解混合生成模型中的主动推理所需的基本构建块。

Jan, 2020

我们引入了一种能够学习含有连续随机变量的分布的新型张量网络生成模型，首先在矩阵乘积态的背景下推导出通用表达能力定理，证明了该模型家族能够以任意精度逼近任何充分平滑的概率密度函数；然后在几个合成和真实世界数据集上对该模型的性能进行基准测试，发现该模型在连续和离散变量的分布上学习和泛化良好；我们还开发了建模不同数据领域的方法，并引入了一个可训练的压缩层，发现在有限的内存或计算资源下，该层能够提高模型的性能。总体而言，我们的方法为量子启发式方法在生成学习这个快速发展领域的有效性提供了重要的理论和实证证据。

Oct, 2023

本研究探讨了如何使用张量网络来优化矩阵积态，以用于分类图像的模型参数化，且在 MNIST 数据集上取得了不到 1% 的测试集分类误差。此外，我们讨论了张量网络形式如何为学习模型提供附加结构，并提出了可能的生成性解释。

May, 2016

本文将深度学习应用于 active inference 领域，借此学习状态空间以及近似必要的概率分布，以期实现对大脑的过程理论。

Jan, 2020

本研究通过在高维任务上实施主动推理，证明了该方法的可行性，并展现了主动推理与强模型无关基线的样本效率的数量级提升和操作同质性。

Nov, 2019

本文介绍了一种基于 Deep Active Inference 的深度学习架构，结合 Variational Autoencoder 编码连续状态表示，可以直接从高维感觉输入中学习成功策略，并在 OpenAI 基准测试中证明其与深度强化学习算法：Deep Q-learning 相比具有相当或更好的性能。

Sep, 2020