离散时间主动推理的简明数学描述
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
研究指出，由于无法充分建模随机转换动态，特别是在计划期间评估广泛的策略空间时，计算实现大多受限于低维确定性设置。最近的进展提出了一种修改的规划算法，我们在此基础上评估了主动推理在随机控制环境中的效用，结果表明与强化学习相比，无论在确定性还是随机性环境中使用主动推理都具有优势。
Aug, 2021
本研究介绍了 pymdp 这个 Python 包，它是开源的、可定制的并且能够模拟部分可观察的马尔可夫决策过程，实现了基于主动推理的认知行为分析，并取代了 MATLAB 的 DEM toolbox，以提高不同学科背景的研究人员和工程师对主动推理框架的接触和使用。
Jan, 2022
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
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
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
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