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

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

本文提出了一种基于层次化对象中心生成模型的场景理解方法，利用神经启发式的行动和感知框架实现了代理的对象类别和姿态的推断，并提出了一个新的基准来评估主动视觉代理的行为，并表明我们的主动推理代理在平衡认知觅食和目标驱动行为方面表现优异，远胜于监督和强化学习基线。

Feb, 2023

本研究通过系统性探索视觉 - 运动任务的一种方法，测试了主动推理框架的能力，该框架基于当代的神经科学，并通过基于奖励的学习产生像人类一样的行为。我们提出的神经主动推理代理模型使用人工神经网络来选择动作，以便根据它们将揭示的任务环境信息的非常短期预测和预期自由能的长期估计来选择动作，在代理人的运动能力受限时才出现预期的行为，并且只有当代理人能够足够长时间地预测未来的累积自由能时，预期行为才会出现，通过这些结果证明了 AIF 作为人类预期视觉引导行为的可信模型。

Nov, 2022

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

本文研究了如何通过具有局部 Hebbian 可塑性的脑启发式神经编码器来执行主动推断，进而控制动态智能体，并证明该方法在不需要重访过去经历的情况下，可以优于 Q-learning 等传统强化学习方法。

Jun, 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

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

通过在仿生系统中应用主动推理身体感知和行为模型，能够在机器人上实现适应性身体感知和动作，并分析该方法适用于现实世界的交互。

Jun, 2019

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