Active Inference
PulseAugur coverage of Active Inference — every cluster mentioning Active Inference across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
引入受神经科学启发的自监督学习框架
研究人员引入了元表征预测编码（MPC），一种受神经科学启发的创新自监督学习框架。该方法旨在通过学习预测并行数据流而非原始输入的表征，来克服传统反向传播和监督学习的局限性。MPC利用自由能原理和主动推理，实现了一种仅编码器的学习方案，通过决策来采样信息性感官数据，从而驱动表征动力学。
-
AI智能体被概念化为分层信念网络
这篇博文介绍了一个非正式的框架，将智能体理解为“信念网络”。该模型整合了主动推理、智能体基础和机器学习的概念，提出信念、目标和行动是单一现象相互关联的方面。该框架认为，智能体的信念通常是局部一致的，但不一定是全局一致的，这对依赖单一概率分布的模型提出了挑战。它借鉴了概率依赖图（PDGs）和Garrabrant归纳法来处理这种不一致性，并融入了类似深度学习架构的分层概念形成。
-
基于关系生物学和过程本体论的新能动性理论
本文《时间问题：迈向通用能动性理论》提出了一种基于关系生物学、物理生物符号学和过程本体论的分级组织能动性理论。文章认为，能动性起源于物质组织，尤其是在时间框架内考虑了自我指涉闭合时。该理论根据组织的与时间的关系、预测未来的能力以及重构可能性的能力，区分了自主性、目标导向性、能动性和开放性。
-
主动推理控制器优化挑战性环境下的交通信号
研究人员开发了一种用于嘈杂且不可预测的物联网环境交通信号管理的主动推理控制器。该控制器通过最小化预期的自由能来动态选择信号相位，提供可追溯的决策过程。在交通模拟器中进行基准测试，在噪声和非平稳性增加的情况下，主动推理控制器在空闲时间和二氧化碳排放量方面优于基于规则的启发式方法和深度 Q 网络 (DQN)。
-
新型AI智能体BRAIN增强6G网络适应性和可解释性
研究人员开发了一种名为BRAIN（贝叶斯主动推理）的新型AI智能体，专为未来的6G移动网络设计。该智能体利用深度生成模型和主动推理来统一感知和行动，为传统的深度强化学习方法提供了一种更具适应性和可解释性的替代方案。实验表明，BRAIN在动态无线资源分配方面表现出色，对流量变化具有更强的鲁棒性，并能实时解释其决策。
-
新研究论文阐述主动推理框架
研究人员发表了一篇论文，详细介绍了主动推理，这是一个将决策制定视为一种推理形式的框架。该研究阐明了预期自由能最小化与增强生成模型上的变分自由能最小化之间的关系。它还引入了熵修正项和规划修正项，以全面表征基于主动推理的规划，并为其实现提供了一个详细的消息传递方案。
-
AI 代理需要持久的内部状态，而不仅仅是按需处理
当前 AI 代理的范式，即它们像智能计算器一样仅在被提示时激活，是一个重大的局限性。真正的 AI 代理需要持久的内部状态和持续运行，而不仅仅是处理输入和产生输出。像主动推理（Active Inference）这样的架构，专注于维护生成模型并根据预测误差采取行动，为实现用户交互之间存在并不断发展的代理提供了途径。
-
新框架通过主动推理改进U统计量，适用于标签成本高昂的情况
研究人员开发了一种新的U统计量主动推理框架，旨在提高数据标注成本高昂时的估计效率。该方法在固定预算内选择性地查询信息性标签，并以增强的逆概率加权U统计量为基础。该框架还扩展到基于U统计量的经验风险最小化，在实验中显示出显著的效率提升并保持了目标覆盖率。
-
范畴论框架被提议用于定义和比较通用人工智能架构
这篇工作论文提出了一种使用范畴论来比较不同通用人工智能（AGI）架构的正式框架。作者旨在为AGI系统提供一个统一的基础，整合结构、信息组织和智能体交互等方面。该框架旨在阐明各种AGI方法（如强化学习和主动推理）之间的共性和差异，并指导未来的研究。