Fugu-MT 論文翻訳(概要): Learning Perception and Planning with Deep Active Inference

論文の概要: Learning Perception and Planning with Deep Active Inference

arxiv url: http://arxiv.org/abs/2001.11841v2
Date: Mon, 24 Feb 2020 12:50:13 GMT
ステータス: 処理完了
システム内更新日: 2023-01-05 11:26:14.572123
Title: Learning Perception and Planning with Deep Active Inference
Title（参考訳）: 深いアクティブ推論による知覚と計画の学習
Authors: Ozan \c{C}atal, Tim Verbelen, Johannes Nauta, Cedric De Boom and Bart Dhoedt
Abstract要約: 活性推論(英: Active Inference)は、すべての生物が(予想される)自由エネルギーを最小化するために行動を起こすという脳のプロセス理論である。本稿では、近年のディープラーニングの進歩を利用して状態空間を学習し、アクティブな推論を行うために必要な確率分布を近似する。
参考スコア（独自算出の注目度）: 5.773555425526556
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Active inference is a process theory of the brain that states that all living organisms infer actions in order to minimize their (expected) free energy. However, current experiments are limited to predefined, often discrete, state spaces. In this paper we use recent advances in deep learning to learn the state space and approximate the necessary probability distributions to engage in active inference.
Abstract（参考訳）: 能動推論(active inference)は、すべての生物が(予想された)自由エネルギーを最小化するために行動を推論する脳のプロセス理論である。しかし、現在の実験は事前に定義された、しばしば離散的な状態空間に限られている。本稿では,近年のディープラーニングの進歩を用いて,状態空間を学習し,アクティブ推論に必要な確率分布を近似する。

関連論文リスト

Don't Cut Corners: Exact Conditions for Modularity in Biologically Inspired Representations [52.48094670415497]
我々は、生物にインスパイアされた表現が、ソース変数(ソース)に関してモジュール化されるときの理論を開発する。我々は、最適な生物学的にインスパイアされたリニアオートエンコーダのニューロンがモジュラー化されるかどうかを判断する情報源のサンプルに対して、必要かつ十分な条件を導出する。我々の理論はどんなデータセットにも当てはまり、以前の研究で研究された統計的な独立性よりもはるかに長い。
論文参考訳（メタデータ） (2024-10-08T17:41:37Z)
Neural Causal Abstractions [63.21695740637627]
我々は、変数とそのドメインをクラスタリングすることで、因果抽象化の新しいファミリーを開発する。本稿では,ニューラルネットワークモデルを用いて,そのような抽象化が現実的に学習可能であることを示す。本実験は、画像データを含む高次元設定に因果推論をスケールする方法を記述し、その理論を支持する。
論文参考訳（メタデータ） (2024-01-05T02:00:27Z)
A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
論文参考訳（メタデータ） (2022-11-16T20:00:38Z)
The Free Energy Principle for Perception and Action: A Deep Learning Perspective [4.6956495676681484]
自由エネルギーの原理とその論理的活動的推論は、生物エージェントが世界の優先状態の制限されたセットに留まっていると仮定するバイオインスパイアされた理論を構成する。この原則の下で、生物学的エージェントは世界の生成モデルを学び、その嗜好を満たすホメオスタティックな状態にエージェントを維持できる将来的なアクションを計画する。この写本は、より現実的な問題に理論的側面を根ざして、活発な推論の枠組みに対する新たな視点を探求している。
論文参考訳（メタデータ） (2022-07-13T11:07:03Z)
Observing Interventions: A logic for thinking about experiments [62.997667081978825]
本稿では,実験から学ぶ論理への第一歩について述べる。我々のアプローチにとって重要なことは、介入の概念が(現実的または仮説的な)実験の形式的表現として使用できるという考えである。提案された全ての論理系に対して、健全で完全な公理化を提供する。
論文参考訳（メタデータ） (2021-11-25T09:26:45Z)
Contrastive Active Inference [12.361539023886161]
本稿では,エージェントの生成モデル学習における計算負担を低減し,今後の行動計画を行うための,アクティブ推論のための対照的な目的を提案する。提案手法は,画像に基づくタスクにおいて,確率に基づく能動推論よりも特に優れているが,計算処理が安価で,訓練も容易である。
論文参考訳（メタデータ） (2021-10-19T16:20:49Z)
Applications of the Free Energy Principle to Machine Learning and Neuroscience [0.0]
我々は、自由エネルギー原理にインスパイアされた手法を機械学習と神経科学の2つの重要な分野に適用する。我々は、自由エネルギー原理から派生した神経生物学的に妥当なプロセス理論である予測符号化に焦点を当てる。第2に、変動メッセージパッシングによる行動の神経生物学的根拠である能動推論について検討する。最後に, 生物学的に有効な脳内クレジット代入法について検討した。
論文参考訳（メタデータ） (2021-06-30T22:53:03Z)
Demystification of Few-shot and One-shot Learning [63.58514532659252]
近年,単発学習や単発学習が活発かつ集中的な研究の対象となっている。学習機械の環境的あるいは潜在的な決定空間が、この空間にある大きな種類の物体よりも十分に高次元であれば、いくつかの例から容易に学習できることを示す。
論文参考訳（メタデータ） (2021-04-25T14:47:05Z)
Realising Active Inference in Variational Message Passing: the Outcome-blind Certainty Seeker [3.5450828190071655]
本稿では、離散時間および状態空間におけるアクティブ推論フレームワークの完全な数学的処理について述べる。アクティブ推論と変動メッセージパッシングの理論的関係を活用します。完全因子化変分分布を用いることで, 期待自由エネルギーの簡易化が図れる。
論文参考訳（メタデータ） (2021-04-23T19:40:55Z)
Whence the Expected Free Energy? [68.8204255655161]
我々は、期待される自由エネルギー(EFE)が単に「未来の自由エネルギー」ではないことを示した。そして、新しい目標、期待される未来自由エネルギー(FEEF)を開発する。
論文参考訳（メタデータ） (2020-04-17T09:06:56Z)
Deep Active Inference for Autonomous Robot Navigation [5.101580309985447]
アクティブ推論(英: Active Inference)とは、生物学的エージェントが現実世界で知覚し行動する方法の基盤となる理論である。ディープラーニングの最近の進歩を活用して、事前に定義された状態空間なしで動作可能な、より複雑な生成モデルを構築します。これは、現実世界のロボットナビゲーションタスクに対する深層能動推論の最初の応用である。
論文参考訳（メタデータ） (2020-03-06T14:01:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。