Jun, 2024

并行和相同机器的主动推断会议节能控制

PDF
TL;DR本研究探讨了将主动推理应用于制造系统的节能控制代理的可能性，在这个新兴领域中，我们使用深度学习和主动推理决策框架相结合的方法，通过引入多步转换和混合视野方法来改进现有的代理架构。实验结果表明这些改进的有效性，并展示了基于主动推理的方法的潜力。
发现论文，激发创造
  • 使用 Monte-Carlo 方法的深度主动推理代理

    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

  • 随机控制的主动推断

    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

  • 主动推理的扩展

    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

  • 用深度主动推理技术实现自主机器人导航

    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

  • 深度主动推理与变分策略梯度

    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

  • 关于主动推理中的预测规划与因果学习

    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

  • 深度主动推理的解构

    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

  • 知觉和行动的自由能原理：深度学习的视角

    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

  • 基于深度主动推理的感知与规划学习

    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

  • 主动推断中的高效计算

    该论文提出了一种新的规划算法，通过动态规划算法实现了计算效率的大幅提升，并且简化了目标分布的制定，同时在不确定的条件下获得了准确的模型学习和规划。

    Jul, 2023