Expected Free Energy Formalizes Conflict Underlying Defense in Freudian Psychoanalysis
PulseAugur coverage of Expected Free Energy Formalizes Conflict Underlying Defense in Freudian Psychoanalysis — every cluster mentioning Expected Free Energy Formalizes Conflict Underlying Defense in Freudian Psychoanalysis across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI框架将最大占用原则扩展至不确定环境
一篇新研究论文介绍了一种基于信念的最大占用原则（MOP）的扩展，MOP是AI智能体内在动机的框架。该扩展通过对隐藏状态进行信念推断，使智能体能够在部分可观察的环境中运行。该论文还提出了主动推理的预期自由能的贝尔曼重构，能够在资源不确定的场景中进行离线计算和智能体行为比较。研究结果表明，MOP智能体在目标导向和探索之间表现出平衡，而主动推理智能体则专注于稳定、信息丰富的区域。
-
新的贝叶斯优化方法使用期望自由能
研究人员引入了一种新的贝叶斯优化采集函数，称为曲率感知期望自由能。该函数旨在通过同时优化和学习底层函数来解决联合学习和优化问题。在某些假设下，它可以简化为现有的方法，如上限置信界（Upper Confidence Bound）和期望信息增益（Expected Information Gain），并且已被证明可以为凹函数提供无偏收敛保证。所提出的方法在基准测试中的遗憾（regret）和均方误差（mean squared error）方面…
-
统一信息与奖励规划增强机器人火星探索
研究人员开发了一种新的火星机器人探索方法，该方法统一了信息收集和奖励寻求目标。这种方法称为基于预期自由能（EFE）的规划，它使用高斯过程来维护信息场上的信念，并规划在路径长度约束下最小化EFE的轨迹。结果表明，该方法同时生成了精确的地图并识别了高价值区域，优于现有的信息论基线。
-
将主动推理构建为凸马尔可夫决策过程，与强化学习统一
一篇新论文将主动推理（AIF）构建为凸马尔可夫决策过程（MDP），提出了一种将其与现代强化学习（RL）技术统一的方法。该研究认为，在AIF中最小化预期自由能（EFE）可以被视为潜在MDP中的策略优化，其中认知价值充当了表现性奖励。这种视角可以推导出一种与Actor-Critic方法和动态规划兼容的镜像下降算法，可能提供原则性的策略改进保证。
-
新框架统一了 POMDP 中的不确定性约简和奖励
研究人员为部分可观察马尔可夫决策过程（POMDP）开发了一个新框架，该框架直接奖励不确定性约简。这种方法被称为最小化预期自由能（EFE），已被证明等同于求解一种特定类型的 POMDP，其中效用是预期的信息增益。在包括 Tiger 问题和 RockSample 在内的各种环境中的实验表明，EFE 规划无需针对特定任务进行调整，即可匹配或超越仅基于奖励的规划，并避免了过度探索问题。这为信息收集有成本的应用（如故障检测和医学筛查）提供了一个…
-
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。