关于主动推理中的有效推理2307

主要观点总结

本文介绍了在主动推理中有效计算的研究，旨在解决智能行为模拟中的计算成本高和指定目标分布困难的问题。通过引入两种协同工作的解决方案，包括有限时间范围规划算法和简化目标分布设置过程，实现了优化计算和提高模型学习和规划精确性的目标。提出的方法简化了规划过程，并展示了即使仅指定代理的最终目标状态时也有意义的行为。这些进展为各种应用创造了新的机会。

关键观点总结

关键观点1: 研究背景

主动推理被认为是神经生物学上合理的，但在复杂环境中模拟智能行为时面临计算成本高和为代理指定适当目标分布的困难。

关键观点2: 解决方案

引入有限时间范围规划算法和简化目标分布设置过程，以优化计算和提高模型学习和规划精确性。

关键观点3: 方法特点

方法简化了规划过程，并展示了即使仅指定代理的最终目标状态时也有意义的行为，从而创造了新的应用机会。

关键观点4: 应用

在标准网格世界任务中模拟测试和展示了这些进展，验证了方法的有效性。

关键观点5: 未来工作

建议进一步优化计算时间，例如通过近似参数，以及优化和微调基于Z-学习方法的学习先验偏好参数的学习规则。

文章预览

ON EFFICIENT COMPUTATION IN ACTIVE INFERENCE 2307.00504 关于主动推理中的有效推理 https://arxiv.org/pdf/2307.00504 https://github.com/aswinpaul/dpefe_2023 摘要 尽管主动推理被认为是神经生物学上合理的，但在复杂环境中模拟智能行为时，由于其计算成本高和为代理指定适当目标分布的困难，主动推理面临着挑战。本文引入了两种协同工作的解决方案来解决这些限制。首先，我们提出了一种新颖的有限时间范围规划算法，计算复杂度大大降低。其次，受控制理论文献中Z学习的启发，我们简化了为新的和现有的主动推理规划方案设置适当目标分布的过程。我们的第一个方法利用动态规划算法，该算法以其计算效率而闻名，通过Bellman最优性原则最小化规划中使用的成本函数。相应地，我们的算法递归地评估行动的预期自由能，以相反的时间顺序进行。这提高了计算效率，并允许 ………………………………