主动推理作为代理模型
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
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
基于自由能最小化原则的主动推理理论,提出了一个输出 - 概率、时间预测、模块化人工神经网络结构,能够处理感觉运动信息,推理与行为相关的世界方面,并调用高度灵活、目标导向的行为,其中包括利用形成的地形图灵活驾驶、避免障碍和选择通往目的地的路径。另外,研究表明该学习代理适用于进行零样本推广,适用于不同地形的环境。
Feb, 2022
主题:积极推理,自适应行为,决策制定,可持续资源管理和环境动态;总结:积极推理可在面对环境变化时产生可持续、有韧性的行为,并对可持续行为的理解和塑造具有潜力。
Jun, 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