論文の概要: Branching Time Active Inference with Bayesian Filtering
- arxiv url: http://arxiv.org/abs/2112.07406v1
- Date: Tue, 14 Dec 2021 14:01:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-15 21:42:39.655692
- Title: Branching Time Active Inference with Bayesian Filtering
- Title(参考訳): ベイズフィルタを用いた分岐時間アクティブ推論
- Authors: Th\'eophile Champion, Marek Grze\'s, Howard Bowman
- Abstract要約: 分岐時間アクティブ推論(Champion et al., 2021b,a)はベイズ模型の拡張の形式として計画を考えるためのフレームワークである。
本稿ではベイズフィルタと呼ばれる別の推論手法の効率性を利用する。
- 参考スコア(独自算出の注目度): 3.5450828190071655
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Branching Time Active Inference (Champion et al., 2021b,a) is a framework
proposing to look at planning as a form of Bayesian model expansion. Its root
can be found in Active Inference (Friston et al., 2016; Da Costa et al., 2020;
Champion et al., 2021c), a neuroscientific framework widely used for brain
modelling, as well as in Monte Carlo Tree Search (Browne et al., 2012), a
method broadly applied in the Reinforcement Learning literature. Up to now, the
inference of the latent variables was carried out by taking advantage of the
flexibility offered by Variational Message Passing (Winn and Bishop, 2005), an
iterative process that can be understood as sending messages along the edges of
a factor graph (Forney, 2001). In this paper, we harness the efficiency of an
alternative method for inference called Bayesian Filtering (Fox et al., 2003),
which does not require the iteration of the update equations until convergence
of the Variational Free Energy. Instead, this scheme alternates between two
phases: integration of evidence and prediction of future states. Both of those
phases can be performed efficiently and this provides a seventy times speed up
over the state-of-the-art.
- Abstract(参考訳): 分岐時間アクティブ推論(Champion et al., 2021b,a)はベイズ模型の拡張の形式として計画を考えるためのフレームワークである。
そのルーツはアクティブ推論(Friston et al., 2016; Da Costa et al., 2020; Champion et al., 2021c)やモンテカルロ木探索(Browne et al., 2012)にも見られる。
これまで、潜在変数の推論は、変分メッセージパッシング(winn and bishop, 2005)によって提供される柔軟性を利用して行われており、これは因子グラフの端に沿ってメッセージを送信すると解釈できる反復的プロセスである(forney, 2001)。
本稿では,変分自由エネルギーの収束まで更新方程式の反復を必要としないベイズフィルタ (fox et al., 2003) と呼ばれる別の推論手法の効率性を利用する。
その代わり、このスキームは証拠の統合と将来の状態の予測という2つのフェーズを交互に行う。
どちらのフェーズも効率的に実行できるので、最先端よりも70倍のスピードアップが可能になる。
関連論文リスト
- ExDBN: Exact learning of Dynamic Bayesian Networks [2.2499166814992435]
本稿では,データから因果学習を行うためのスコアベースの学習手法を提案する。
提案手法は, 最大25の時系列の小型・中規模の合成インスタンスに適用した場合, 優れた結果が得られた。
バイオサイエンスとファイナンスにおける2つの興味深い応用は、この方法を直接適用することで、高度に正確でグローバルに収束した解法を開発する機会をさらに強調するものである。
論文 参考訳(メタデータ) (2024-10-21T15:27:18Z) - Sequential Conditional Transport on Probabilistic Graphs for Interpretable Counterfactual Fairness [0.3749861135832073]
我々は、個別の公正性について議論するために、シーケンシャルトランスポート(Sequence transport)と呼ばれる反事実的アプローチを用いる。
合成データと実データの両方を用いた数値実験により,その応用を実証する。
論文 参考訳(メタデータ) (2024-08-06T20:02:57Z) - Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion [61.03681839276652]
拡散強制(Diffusion Forcing)は、拡散モデルをトレーニングし、トークンの集合に独立した音レベルを付与する、新たなトレーニングパラダイムである。
因果的次トーケン予測モデルを訓練して1つまたは複数の未来のトークンを生成することで、シーケンス生成モデルに拡散強制を適用する。
論文 参考訳(メタデータ) (2024-07-01T15:43:25Z) - von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。
後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文 参考訳(メタデータ) (2024-06-19T01:57:21Z) - Learning a Diffusion Model Policy from Rewards via Q-Score Matching [93.0191910132874]
本稿では,拡散モデルポリシの構造を学習されたQ-関数に関連付ける理論的枠組みを提案する。
本稿では,この理論からQスコアマッチングを示す新しいポリシー更新手法を提案する。
論文 参考訳(メタデータ) (2023-12-18T23:31:01Z) - Quasi Black-Box Variational Inference with Natural Gradients for
Bayesian Learning [84.90242084523565]
複素モデルにおけるベイズ学習に適した最適化アルゴリズムを開発した。
我々のアプローチは、モデル固有導出に制限のある効率的なトレーニングのための一般的なブラックボックスフレームワーク内の自然な勾配更新に依存している。
論文 参考訳(メタデータ) (2022-05-23T18:54:27Z) - A Variational Approach to Bayesian Phylogenetic Inference [7.251627034538359]
ベイズ系統解析のための変分フレームワークを提案する。
我々はマルコフ勾配法による変分近似を訓練し、連続的および離散的な変分パラメータに対する推定器を採用する。
実データ系統推定問題に対するベンチマーク実験により,本手法の有効性と有効性を示す。
論文 参考訳(メタデータ) (2022-04-16T08:23:48Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳(メタデータ) (2021-05-11T16:02:39Z) - 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) - The FMRIB Variational Bayesian Inference Tutorial II: Stochastic
Variational Bayes [1.827510863075184]
このチュートリアルは、オリジナルのFMRIB Variational Bayesチュートリアルを再考する。
この新しいアプローチは、機械学習アルゴリズムに適用された計算方法に多くの類似性を持ち、恩恵を受けている。
論文 参考訳(メタデータ) (2020-07-03T11:31:52Z) - Lipreading using Temporal Convolutional Networks [57.41253104365274]
現在の単語認識モデルは,残差ネットワークと双方向Gated Recurrent Unit層で構成されている。
このモデルの限界に対処し、その性能をさらに向上させる変更を提案する。
提案モデルでは,これらのデータセットにおいてそれぞれ1.2%と3.2%の絶対的な改善が得られた。
論文 参考訳(メタデータ) (2020-01-23T17:49:35Z)
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。