关于主动推理中的预测规划与因果学习
通过比较 Sophisticated Inference(SI)算法和贝叶斯强化学习(RL)方案的性能,并扩展 Sophisticated Inference(SL)算法以更好地在规划中引入主动学习,本研究支持 Active Inference 方法在解决生物相关问题中的实用性,并提供了测试人类认知假设的额外工具。
Aug, 2023
通过动态规划,我们指的是人脑推断和施加与认知决策相关的运动轨迹的能力。最近的范式 —— 主动推断,为生物有机体的适应提供了基本见解,不断努力减小预测误差以限制在适合生活的状态中。在过去的几年中,许多研究表明,人类和动物行为可以用主动推断的过程来解释,无论是作为离散决策还是连续运动控制,这激发了机器人技术和人工智能领域的创新解决方案。然而,文献对于如何在不断变化的环境中有效规划行动仍缺乏全面的展望。本研究以建模工具使用为目标,深入探讨了主动推断中的动态规划主题,牢记生物目标导向行为的两个关键方面:理解和利用物体操纵的作用机会,以及学习自身与环境(包括其他代理者)之间的分层交互。我们从一个简单单元开始,逐渐描述更高级的结构,比较最近提出的设计选择,并为每个部分提供基本示例。本研究与传统的神经网络和强化学习的观点不同,指向主动推断中尚未开拓的方向:分层模型中的混合表示。
Feb, 2024
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
本文探讨了基于活跃推断和自由能原理开发人类可解释、可理解的人工智能系统的前景,并提出了一个使用活跃推断的可解释 AI 系统架构,其结构设计为可被人类用户解释和审计。
Jun, 2023
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