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

本文通过一个简单的基于代理的模型，展示了积极推理作为感知和行动的一种可能的统一理论，并且解释了行为和感知之间的深层对称性。

Jul, 2017

提出了一种基于计算现象学的深度学习非再现主义框架，该方法通过第一人称视角（依靠现象学）和计算模型机制之间的对话来实现。我们退回现代认知主义对深度学习的解释，即人工神经网络编码外部实体的表征。最终将该方法应用于特定任务的深度学习模型，以制定深度学习的概念框架，并允许将人工神经网络的机制视为生活体验。

Feb, 2023

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

这项研究探讨主观赋予的意义构成了意识经验的现象内容的假设。同时，论文提出了主观意义与 Frege 的 “意义” 和 Peirce 的 “解释者” 密切相关的概念，并论述了意义在现象经验中的作用以及其在心智与物质关系的上下文中的形式化过程。最后，论文还探讨了这种假设对基于经验的意识理论可能产生的影响。

May, 2024

通过研究主动推理中基于计划和经验学习的两种决策方案，本文提出了一种混合模型，以平衡决策过程，并在挑战性的网格世界情景中评估了该模型的适应性，并分析了各种参数的演变，为智能决策提供了有价值的见解。

Mar, 2024

本文通过引入活动，将统计博弈与玩它们的动力系统范畴化，并使用近似推理原理建立起复合理论，最终构建了微分和动态的‘分层推理系统’的放大分类。此外，还描述了‘externally parameterized’ statistical games，并使用它们构建了两个近似推理原理，即‘Laplace’和‘Hebb-Laplace’。前者用于优化高斯模型后验的动力系统，后者则额外优化了用于确定其预测的参数（或‘重量’）的系统。

Aug, 2022

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

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