論文の概要: Realising Synthetic Active Inference Agents, Part I: Epistemic
Objectives and Graphical Specification Language
- arxiv url: http://arxiv.org/abs/2306.08014v2
- Date: Mon, 16 Oct 2023 09:39:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 04:51:45.946177
- Title: Realising Synthetic Active Inference Agents, Part I: Epistemic
Objectives and Graphical Specification Language
- Title（参考訳）: 合成能動推論エージェントの実現 : 第1報 認識論的目標とグラフィカル仕様言語
- Authors: Magnus Koudahl, Thijs van de Laar, Bert de Vries
- Abstract要約: この論文は、自由形式因子グラフ上のActive Inferenceの合成バージョンを導出した2つのシリーズの最初のものである。
本研究では,変分推論対象の完全にグラフィカルな記述を可能にするConstrained ForneyスタイルのFacter Graph表記法を開発した。
我々は、AIFエージェントの直接的なポリシー推論を可能にするアルゴリズムを導出し、長期にわたるスケーリング問題を回避した。
- 参考スコア（独自算出の注目度）: 2.5782420501870296
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Free Energy Principle (FEP) is a theoretical framework for describing how
(intelligent) systems self-organise into coherent, stable structures by
minimising a free energy functional. Active Inference (AIF) is a corollary of
the FEP that specifically details how systems that are able to plan for the
future (agents) function by minimising particular free energy functionals that
incorporate information seeking components. This paper is the first in a series
of two where we derive a synthetic version of AIF on free form factor graphs.
The present paper focuses on deriving a local version of the free energy
functionals used for AIF. This enables us to construct a version of AIF which
applies to arbitrary graphical models and interfaces with prior work on message
passing algorithms. The resulting messages are derived in our companion paper.
We also identify a gap in the graphical notation used for factor graphs. While
factor graphs are great at expressing a generative model, they have so far been
unable to specify the full optimisation problem including constraints. To solve
this problem we develop Constrained Forney-style Factor Graph (CFFG) notation
which permits a fully graphical description of variational inference
objectives. We then proceed to show how CFFG's can be used to reconstruct prior
algorithms for AIF as well as derive new ones. The latter is demonstrated by
deriving an algorithm that permits direct policy inference for AIF agents,
circumventing a long standing scaling issue that has so far hindered the
application of AIF in industrial settings. We demonstrate our algorithm on the
classic T-maze task and show that it reproduces the information seeking
behaviour that is a hallmark feature of AIF.
- Abstract（参考訳）: 自由エネルギー原理(英: Free Energy Principle、FEP)とは、自由エネルギー関数を最小化することによって(知的な)システムがコヒーレントで安定な構造に自己組織化する方法を記述する理論的枠組みである。
アクティブ推論(active inference, aif)は、情報探索コンポーネントを組み込んだ特定の自由エネルギー汎関数を最小化することで、将来(agents)機能をどのように計画できるかを具体的に記述したfepの組織である。
本稿では,自由形式因子グラフ上でAIFの合成版を導出する2つのシリーズの最初のものである。
本稿では,AIF に使用される自由エネルギー関数の局所バージョンを導出することに焦点を当てる。
これにより、任意のグラフィカルモデルやインターフェースに適用可能なAIFのバージョンを、メッセージパッシングアルゴリズムに先立って構築することができる。
得られたメッセージは私たちの共用紙に導出されます。
また、因子グラフに使用される図式表記のギャップも特定した。
因子グラフは生成モデルを表現するのに優れているが、制約を含む完全な最適化問題を特定できなかった。
この問題を解決するために,変分推論対象の完全にグラフィカルな記述を可能にするConstrained Forney-style Factor Graph (CFFG) 表記法を開発した。
次に、cffgがaifの事前アルゴリズムの再構築や新しいアルゴリズムの導出にどのように使えるかを示す。
後者は、AIFエージェントの直接的なポリシー推論を可能にするアルゴリズムを導出し、これまでAIFの工業的利用を妨げてきた長期にわたるスケーリング問題を回避している。
本稿では,従来のT-mazeタスクにアルゴリズムを適用し,AIFの目立った特徴である行動を求める情報を再現することを示す。
関連論文リスト
- Autoencoders in Function Space [5.558412940088621]
本稿では,オートエンコーダ (FAE) と可変オートエンコーダ (FVAE) の関数空間バージョンを紹介する。
FAEの目的はより広く有効であり、微分方程式によって支配されるデータに直接適用することができる。
これらの目的を任意のメッシュで評価可能なニューラル演算子アーキテクチャで達成することで、オートエンコーダの新たな応用により、科学的データの着色、超解像化、生成モデリングが可能になる。
論文 参考訳（メタデータ） (2024-08-02T16:13:51Z) - Towards Automated Functional Equation Proving: A Benchmark Dataset and A Domain-Specific In-Context Agent [1.006303657343407]
ATP(Automated Theorem Proving)はその複雑さと計算上の要求のため、課題に直面している。
近年, 大規模言語モデル (LLM) を用いてATPの作用選択を行っているが, これらの手法は資源集約性が高い。
この研究は、リーン内のCOPRAインコンテキスト学習フレームワークを強化するエージェントであるFEASを紹介します。
論文 参考訳（メタデータ） (2024-07-05T15:59:16Z) - Federated Knowledge Graph Completion via Latent Embedding Sharing and
Tensor Factorization [51.286715478399515]
FLEST(Federated Latent Embedding Factorization)は、KGの完全化にFederated Factorizationを用いた新しい手法である。
FLESTは埋め込み行列を分解し、潜伏辞書の埋め込みを共有することでプライバシーリスクを低減している。
実証的な結果はFLESTの有効性と効率を示し、パフォーマンスとプライバシのバランスのとれたソリューションを提供する。
論文 参考訳（メタデータ） (2023-11-17T06:03:56Z) - GAFlow: Incorporating Gaussian Attention into Optical Flow [62.646389181507764]
我々はガウス的注意(GA)を光学フローモデルに押し込み、表現学習中に局所特性をアクセントする。
本稿では,既存の Transformer ブロックに簡単に接続可能な新しい Gaussian-Constrained Layer (GCL) を提案する。
動作解析のための新しいガウス誘導注意モジュール(GGAM)を提供する。
論文 参考訳（メタデータ） (2023-09-28T07:46:01Z) - FP-IRL: Fokker-Planck-based Inverse Reinforcement Learning -- A
Physics-Constrained Approach to Markov Decision Processes [0.5735035463793008]
逆強化学習(英: Inverse Reinforcement Learning、IRL)は、自律エージェントの行動の基礎となる根拠を明らかにする技術である。
IRLは、観測されたエージェント軌道からマルコフ決定過程(MDP)の未知の報酬関数を推定しようとする。
我々は、観測軌道のみを用いて遷移関数と報酬関数を同時に推論できる新しいIRLアルゴリズムFP-IRLを作成する。
論文 参考訳（メタデータ） (2023-06-17T18:28:03Z) - Realising Synthetic Active Inference Agents, Part II: Variational Message Updates [2.2940141855172036]
アクティブ推論 (AIF) は自由エネルギー原理 (FEP) の系譜である
自由形Forney-style Factor Graphs(FFGs)上のメッセージパッシングによるAIFのスケーラブルでエピステマティックなアプローチについて述べる。
合成AIFエージェントの完全なメッセージパッシングアカウントにより、モデル間でのメッセージ更新の導出と再利用が可能になる。
論文 参考訳（メタデータ） (2023-06-05T09:29:46Z) - GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。
我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
論文 参考訳（メタデータ） (2023-04-06T03:02:54Z) - Graph Signal Sampling for Inductive One-Bit Matrix Completion: a
Closed-form Solution [112.3443939502313]
グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。
キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。
オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
論文 参考訳（メタデータ） (2023-02-08T08:17:43Z) - Variational Flow Graphical Model [22.610974083362606]
変分グラフフロー(VFG)モデルは,メッセージパッシング方式を用いて高次元データの表現を学習する。
VFGは低次元を用いてデータの表現を生成し、多くのフローベースモデルの欠点を克服する。
実験では、VFGは改良されたエビデンスローバウンド(ELBO)と複数のデータセットの確率値を達成する。
論文 参考訳（メタデータ） (2022-07-06T14:51:03Z) - Let Invariant Rationale Discovery Inspire Graph Contrastive Learning [98.10268114789775]
ハイパフォーマンスな拡張は、インスタンス識別に関するアンカーグラフの健全な意味を保存すべきである。
新たなフレームワーク Rationale-aware Graph Contrastive Learning (RGCL) を提案する。
RGCLは有理数生成器を使用して、グラフのインスタンス識別に関する健全な特徴を論理として明らかにし、対照的な学習のための有理数認識ビューを生成する。
論文 参考訳（メタデータ） (2022-06-16T01:28:40Z) - Estimating Structural Target Functions using Machine Learning and
Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。
このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。
我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文 参考訳（メタデータ） (2020-08-14T16:48:29Z)
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。