論文の概要: The Free Energy Principle for Perception and Action: A Deep Learning Perspective

• arxiv url: http://arxiv.org/abs/2207.06415v1
• Date: Wed, 13 Jul 2022 11:07:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-16 09:30:14.066289
• Title: The Free Energy Principle for Perception and Action: A Deep Learning Perspective
• Title（参考訳）: 知覚と行動のための自由エネルギー原理--深層学習の視点から
• Authors: Pietro Mazzaglia, Tim Verbelen, Ozan \c{C}atal, Bart Dhoedt
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.6956495676681484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The free energy principle, and its corollary active inference, constitute a bio-inspired theory that assumes biological agents act to remain in a restricted set of preferred states of the world, i.e., they minimize their free energy. Under this principle, biological agents learn a generative model of the world and plan actions in the future that will maintain the agent in an homeostatic state that satisfies its preferences. This framework lends itself to being realized in silico, as it comprehends important aspects that make it computationally affordable, such as variational inference and amortized planning. In this work, we investigate the tool of deep learning to design and realize artificial agents based on active inference, presenting a deep-learning oriented presentation of the free energy principle, surveying works that are relevant in both machine learning and active inference areas, and discussing the design choices that are involved in the implementation process. This manuscript probes newer perspectives for the active inference framework, grounding its theoretical aspects into more pragmatic affairs, offering a practical guide to active inference newcomers and a starting point for deep learning practitioners that would like to investigate implementations of the free energy principle.
• Abstract（参考訳）: 自由エネルギー原理とその論理的活性推論(英語版)は、生物エージェントが世界の優先状態、すなわち自由エネルギーを最小化する制限された状態に留まることを仮定する生物に着想を得た理論を構成する。 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、その好みを満たすホメオスタティックな状態でエージェントを維持させる未来のアクションを計画する。 このフレームワークは、変分推論や償却計画など、計算的に手頃な価格になる重要な側面を理解するため、シリコで実現される。 本研究では,アクティブ推論に基づく人工エージェントの設計と実現のための深層学習ツールを調査し,自由エネルギー原理の深層学習指向のプレゼンテーションを行い,機械学習とアクティブ推論の両方に関係のある作品を調査し,実装プロセスに関わる設計選択について議論する。 本書は, 能動推論フレームワークに対する新たな視点を探求し, 理論的側面をより実践的な問題に根ざし, 能動推論新参者への実践的ガイドと, 自由エネルギー原理の実装を探求したい深層学習実践者の出発点を提供する。

関連論文リスト

• Demonstrating the Continual Learning Capabilities and Practical Application of Discrete-Time Active Inference [0.0]
  アクティブ推論は、エージェントが環境とどのように相互作用するかを理解するための数学的フレームワークである。 本稿では,個別の時間環境で動作するエージェントのための連続学習フレームワークを提案する。 我々は、エージェントがモデルを再学習し、効率的に洗練する能力を示し、金融や医療といった複雑な分野に適合する。
  論文  参考訳（メタデータ） (2024-09-30T21:18:46Z)
• Dynamic planning in hierarchical active inference [0.0]
  人間の脳が認知決定に関連する運動軌跡を推論し、導入する能力について述べる。 本研究では,アクティブ推論における動的計画の話題に焦点を当てた。
  論文  参考訳（メタデータ） (2024-02-18T17:32:53Z)
• ConcEPT: Concept-Enhanced Pre-Training for Language Models [57.778895980999124]
  ConcEPTは、概念知識を事前訓練された言語モデルに注入することを目的としている。 これは、事前訓練されたコンテキストで言及されたエンティティの概念を予測するために、外部エンティティの概念予測を利用する。 実験の結果,ConcEPTは概念強化事前学習により概念知識を向上することがわかった。
  論文  参考訳（メタデータ） (2024-01-11T05:05:01Z)
• Towards a General Framework for Continual Learning with Pre-training [55.88910947643436]
  本稿では,事前学習を用いた逐次到着タスクの連続学習のための一般的な枠組みを提案する。 我々はその目的を,タスク内予測,タスク同一性推論,タスク適応予測という3つの階層的構成要素に分解する。 本稿では,パラメータ効率細調整(PEFT)技術と表現統計量を用いて,これらのコンポーネントを明示的に最適化する革新的な手法を提案する。
  論文  参考訳（メタデータ） (2023-10-21T02:03:38Z)
• Bayesian Reinforcement Learning with Limited Cognitive Load [43.19983737333797]
  適応行動の理論は、エージェントの学習履歴、決定、容量制約の間の複雑な相互作用を考慮に入れなければならない。 コンピュータ科学における最近の研究は、強化学習、ベイズ的意思決定、レート歪曲理論からアイデアをブリッジすることで、これらの力学を形作る原理を明確にし始めている。
  論文  参考訳（メタデータ） (2023-05-05T03:29:34Z)
• Energy Transformer [64.22957136952725]
  我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。 本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-14T18:51:22Z)
• 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)
• Active Inference in Robotics and Artificial Agents: Survey and Challenges [51.29077770446286]
  我々は、状態推定、制御、計画、学習のためのアクティブ推論の最先端理論と実装についてレビューする。 本稿では、適応性、一般化性、堅牢性の観点から、その可能性を示す関連する実験を紹介する。
  論文  参考訳（メタデータ） (2021-12-03T12:10:26Z)
• Prior Preference Learning from Experts:Designing a Reward with Active Inference [1.1602089225841632]
  能動推論は強化学習(RL)アルゴリズムを用いて解釈できると主張している。 先行選好の概念と理論的連関に動機づけられ,専門家から先行選好を学ぶための単純だが新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-01-22T04:03:45Z)
• Reinforcement Learning through Active Inference [62.997667081978825]
  アクティブ推論のアイデアが従来の強化学習アプローチをどのように強化するかを示す。 我々は、将来望まれる自由エネルギーという、意思決定のための新しい目標を開発し、実装する。 得られたアルゴリズムが探索および利用に成功し、また、スパース、ウェル形状、報酬のないいくつかの挑戦的RLベンチマークにおいて頑健な性能を達成することを実証した。
  論文  参考訳（メタデータ） (2020-02-28T10:28:21Z)

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。