論文の概要: Chance-Constrained Active Inference
- arxiv url: http://arxiv.org/abs/2102.08792v1
- Date: Wed, 17 Feb 2021 14:36:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-18 14:40:30.921883
- Title: Chance-Constrained Active Inference
- Title(参考訳): Chance-Constrained Active Inference
- Authors: Thijs van de Laar, Ismail Senoz, Ay\c{c}a \"Oz\c{c}elikkale, Henk
Wymeersch
- Abstract要約: アクティブ推論(ActInf)は、生物学的エージェントの知覚と行動を説明する新しい理論です。
我々は,制約違反の確率(典型的には小さい)を許容する,チャンス制約による代替手法を提案する。
我々は、確率制約されたアクチンの重み付けが、生成モデルに(優先)制約を課し、ロバスト制御と経験的機会制約違反のトレードオフを可能にする方法を示す。
- 参考スコア(独自算出の注目度): 21.592135424253826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Active Inference (ActInf) is an emerging theory that explains perception and
action in biological agents, in terms of minimizing a free energy bound on
Bayesian surprise. Goal-directed behavior is elicited by introducing prior
beliefs on the underlying generative model. In contrast to prior beliefs, which
constrain all realizations of a random variable, we propose an alternative
approach through chance constraints, which allow for a (typically small)
probability of constraint violation, and demonstrate how such constraints can
be used as intrinsic drivers for goal-directed behavior in ActInf. We
illustrate how chance-constrained ActInf weights all imposed (prior)
constraints on the generative model, allowing e.g., for a trade-off between
robust control and empirical chance constraint violation. Secondly, we
interpret the proposed solution within a message passing framework.
Interestingly, the message passing interpretation is not only relevant to the
context of ActInf, but also provides a general purpose approach that can
account for chance constraints on graphical models. The chance constraint
message updates can then be readily combined with other pre-derived message
update rules, without the need for custom derivations. The proposed
chance-constrained message passing framework thus accelerates the search for
workable models in general, and can be used to complement message-passing
formulations on generative neural models.
- Abstract(参考訳): Active Inference (ActInf) は、ベイジアン・サプライズに縛られた自由エネルギーを最小限に抑えることの観点から、生物学的エージェントの知覚と行動を説明する新しい理論である。
ゴール指向の行動は、基礎となる生成モデルに事前の信念を導入することによって引き起こされる。
確率変数のすべての実現を制約する事前の信念とは対照的に,制約違反の確率(典型的には小さい)を許容する確率制約による代替的アプローチを提案し,そのような制約をactinfにおける目標指向行動の内在的ドライバとしてどのように使用できるかを示す。
本稿では、例えば、ロバスト制御と経験的チャンス制約違反のトレードオフのために、ActInfが生成モデルに(優先的な)制約を課す方法を説明する。
次に、提案した解決策をメッセージパッシングフレームワーク内で解釈する。
興味深いことに、メッセージパッシングの解釈はactinfのコンテキストに関係しているだけでなく、グラフィカルモデルにおける偶然の制約を考慮できる汎用的なアプローチを提供する。
制約のあるメッセージ更新は、カスタムデリバティブを必要とせずに、簡単に他のプリオリジンのメッセージ更新ルールと組み合わせられる。
提案する確率制約付きメッセージパッシングフレームワークは、一般的に動作するモデルの探索を加速し、生成型ニューラルネットワークモデルのメッセージパッシング記述を補完するために使用できる。
関連論文リスト
- CountARFactuals -- Generating plausible model-agnostic counterfactual explanations with adversarial random forests [9.598670034160763]
ARFは可視性尺度として機能するか、あるいは反現実的な説明を直接生成することができる。
訓練や計算の効率化が容易で、連続データや分類データを自然に扱うことができ、空間性などのデシラタを直接的な方法で統合することができる。
論文 参考訳(メタデータ) (2024-04-04T15:10:13Z) - A Pseudo-Semantic Loss for Autoregressive Models with Logical
Constraints [87.08677547257733]
ニューロシンボリックAIは、純粋にシンボリックな学習とニューラルな学習のギャップを埋める。
本稿では,ニューラルネットワークの出力分布に対するシンボリック制約の可能性を最大化する方法を示す。
また,スドクと最短経路予測の手法を自己回帰世代として評価した。
論文 参考訳(メタデータ) (2023-12-06T20:58:07Z) - Coverage-Validity-Aware Algorithmic Recourse [23.643366441803796]
本稿では,モデルシフトに対するロバスト性を示すモデルに依存しない談話を生成する新しい枠組みを提案する。
筆者らのフレームワークはまず,非線形(ブラックボックス)モデルのカバレッジを意識した線形サロゲートを構築する。
我々の代理は近似超平面を直感的に推し進め、頑健なだけでなく解釈可能なレコースも容易にすることを示した。
論文 参考訳(メタデータ) (2023-11-19T15:21:49Z) - Code Models are Zero-shot Precondition Reasoners [83.8561159080672]
シーケンシャルな意思決定タスクのために、コード表現を使ってアクションの前提条件を推論します。
本稿では,政策によって予測される行動が前提条件と一致していることを保証する事前条件対応行動サンプリング戦略を提案する。
論文 参考訳(メタデータ) (2023-11-16T06:19:27Z) - On Regularization and Inference with Label Constraints [62.60903248392479]
機械学習パイプラインにおけるラベル制約を符号化するための2つの戦略、制約付き正規化、制約付き推論を比較した。
正規化については、制約に不整合なモデルを前置することで一般化ギャップを狭めることを示す。
制約付き推論では、モデルの違反を訂正することで人口リスクを低減し、それによってその違反を有利にすることを示す。
論文 参考訳(メタデータ) (2023-07-08T03:39:22Z) - Fundamental Limitations of Alignment in Large Language Models [16.393916864600193]
人間と対話する言語モデルを開発する上で重要な側面は、その行動が有用で有害であるように整列することである。
これは通常、望ましい振る舞いを高め、望ましくない振る舞いを抑制する方法でモデルをチューニングすることで達成される。
本研究では,行動予測境界 (BEB) と呼ばれる理論的手法を提案する。
論文 参考訳(メタデータ) (2023-04-19T17:50:09Z) - Differentially Private Counterfactuals via Functional Mechanism [47.606474009932825]
本稿では,デプロイされたモデルや説明セットに触れることなく,差分的プライベート・カウンティファクト(DPC)を生成する新しいフレームワークを提案する。
特に、ノイズの多いクラスプロトタイプを構築するための機能機構を備えたオートエンコーダを訓練し、次に潜伏プロトタイプからDPCを導出する。
論文 参考訳(メタデータ) (2022-08-04T20:31:22Z) - Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。
この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。
本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-06-08T04:09:13Z) - CC-Cert: A Probabilistic Approach to Certify General Robustness of
Neural Networks [58.29502185344086]
安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。
意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。
我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
論文 参考訳(メタデータ) (2021-09-22T12:46:04Z) - On Constraint Definability in Tractable Probabilistic Models [12.47276164048813]
様々な問題では、制約に関する推論と統合するために予測が必要である。
本稿では, 制約を取り入れつつ, 総生成物ネットワークなどのトラクタブル確率モデルの学習がいかに可能かを数学的に考察する。
論文 参考訳(メタデータ) (2020-01-29T16:05:56Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。