Dec, 2023

基于贝叶斯信息增益的认知情绪激发潜力建模：由自由能波动驱动的查询循环

PDF
TL;DR通过应用高斯生成模型，本研究发现 KLD 和 BS 形成一个随着惊异（最小化自由能和预测误差）的上凸函数，类似于 Berlyne 的激活潜力函数或 Wundt 曲线，从而提出了一种用于解释 Wundt 曲线的信息增益函数的数学框架，并提出了一种由认知情绪驱动的理想调查过程。
发现论文，激发创造
  • 双重过程知觉中情绪价值的自由能模型

    提出了一个新的数学框架来解释情绪和人类双重认知中的唤起潜力变化之间的关系，以及从自动到控制过程中的情绪体验，其中贝叶斯先验的变化导致自由能的变化，而自由能的减少使得产生积极情绪，自由能的增加则会导致负面情绪，该数学模型为预测和调控双重过程中的情感价值提供了理论框架。

    Oct, 2022

  • 潜在贝叶斯惊喜驱动下的好奇心驱动探索

    利用人工好奇心提高强化学习系统的探索能力，本文提出了一种利用贝叶斯惊奇度作为衡量模型参数先验和后验之间差异的方法，将其应用于代理模型的潜在空间中，大大降低计算成本，研究表明其对连续任务的环境探索和视频游戏分数的影响要好于当前最先进技术，同时具有对抗随机性环境的鲁棒性。

    Apr, 2021

  • 情绪环模型中的自由能

    通过将情感映射到价值和唤起的二维谱上，本文采用情感的环形模型，利用主观 free energy 变化来推断唤起和价值信号，并通过先验和物体存在的操纵展示了情感状态的常识性变化。

    Jul, 2024

  • 期望自由能的重新框架：四种表述和一个统一

    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

  • 不确定性中测试数据敏感性的信息论分析

    Bayesian inference 中的不确定性推断及其分解方法的研究。首次定义了测试数据和训练数据之间的敏感性，并扩展了 Bayesian meta-learning 的分析。

    Jul, 2023

  • 极简主动推理代理

    介绍了自由能原理与活动推断关键思想，并利用基于代理的模型进行模拟实验，以进一步探讨其在一维离散世界预测中的应用。

    Mar, 2015

  • 知识作为无知之果：我们思维的全球自由能原理

    通过一个人的旅程例子，结合 Jaynes 和 Shannon 的有限无知和惊喜的定义，使用贝叶斯公式和自由能原理，将人的理解、陈述、怀疑和假设数学化，从而表达了有限无知的方案和应用。

    Jun, 2022

  • 基于置信度熵的量子贝叶斯网络中干涉效应的不确定度测量

    本文提出了一种新的量子 - 类贝叶斯网络，以解释社会困境中人们的行为违反 Sure Thing 原则的现象，同时使用 Deng 熵提出了信仰距离概念，从而使得该模型在实证数据测试中证明是可预测和有效的。

    Sep, 2017

  • 基于预测的贝叶斯主动学习

    提出一种新的主动学习策略 - 期望预测信息增益（EPIG），比传统的基于 BALD score 的方法，在模型预测上取得更强的性能，可以用于各种数据集和模型。

    Apr, 2023

  • 复杂推理

    该研究论文讨论了采用递归形式的期望自由能的先进主动推断方法，通过对信念状态的序列进行搜索解决了探索与开发的问题，并验证了该算法在深度决策问题上的能力。

    Jun, 2020