論文の概要: Modeling arousal potential of epistemic emotions using Bayesian
information gain: Inquiry cycle driven by free energy fluctuations
- arxiv url: http://arxiv.org/abs/2401.00007v1
- Date: Thu, 14 Dec 2023 02:59:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 12:24:53.458331
- Title: Modeling arousal potential of epistemic emotions using Bayesian
information gain: Inquiry cycle driven by free energy fluctuations
- Title（参考訳）: ベイズ情報ゲインを用いたてんかん感情の覚醒電位のモデル化:自由エネルギー変動による問い合わせサイクル
- Authors: Hideyoshi Yanagisawa, Shimon Honda
- Abstract要約: 好奇心や興味などの感情が調査プロセスを促進する。
自由エネルギーと発散原理に基づく2種類の情報ゲイン : Kullback-Leibler(KLD)
本研究では,情報ゲイン関数のピークに対する予測不確実性(事前分散)と観測不確実性(類似分散)の影響を最適サプライズとして解析した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Epistemic emotions, such as curiosity and interest, drive the inquiry
process. This study proposes a novel formulation of epistemic emotions such as
curiosity and interest using two types of information gain generated by the
principle of free energy minimization: Kullback-Leibler divergence(KLD) from
Bayesian posterior to prior, which represents free energy reduction in
recognition, and Bayesian surprise (BS), which represents the expected
information gain by Bayesian prior update. By applying a Gaussian generative
model with an additional uniform likelihood, we found that KLD and BS form an
upward-convex function of surprise (minimized free energy and prediction
error), similar to Berlyne's arousal potential functions, or the Wundt curve.
We consider that the alternate maximization of BS and KLD generates an ideal
inquiry cycle to approach the optimal arousal level with fluctuations in
surprise, and that curiosity and interest drive to facilitate the cyclic
process. We exhaustively analyzed the effects of prediction uncertainty (prior
variance) and observation uncertainty (likelihood variance) on the peaks of the
information gain function as optimal surprises. The results show that greater
prediction uncertainty, meaning an open-minded attitude, and less observational
uncertainty, meaning precise observation with attention, are expected to
provide greater information gains through a greater range of exploration. The
proposed mathematical framework unifies the free energy principle of the brain
and the arousal potential theory to explain the Wundt curve as an information
gain function and suggests an ideal inquiry process driven by epistemic
emotions.
- Abstract（参考訳）: 好奇心や興味などの情緒的な感情は、調査プロセスを促進する。
本研究は,自由エネルギー最小化の原理によって生じる2種類の情報ゲイン(kullback-leibler divergence(kld)を,認識の自由エネルギー削減を表すベイジアン後段から前段へ,ベイジアン前段更新によって期待される情報ゲインを表すベイジアンサプライズ(bs)を用いて,好奇心や興味といった認識感情の新たな定式化を提案する。
KLD と BS はガウス生成モデルを適用することで、バーリンの覚醒ポテンシャル関数(英語版)(Wundt curve)と同様に、驚き(最小化自由エネルギーと予測誤差)の上下凸関数を形成することがわかった。
我々は,BSとKLDの交互最大化が,ゆらぎを伴う最適覚醒レベルに近づく理想的な探索サイクルとなり,好奇心と興味が循環過程を促進すると考えられる。
我々は,情報ゲイン関数のピークに対する予測不確実性(事前分散)と観測不確実性(類似分散)の影響を,最適サプライズとして網羅的に分析した。
以上の結果から,より広い範囲の探究を通じて,予測の不確実性,すなわち開放的態度,観察的不確実性,すなわち注意を伴う正確な観察を期待できる可能性が示唆された。
提案する数学的枠組みは、脳の自由エネルギー原理と覚醒ポテンシャル理論を統合し、wundt曲線を情報ゲイン関数として説明し、認識論的感情によって駆動される理想的な探索過程を提案する。
関連論文リスト
- Confronting Reward Overoptimization for Diffusion Models: A Perspective of Inductive and Primacy Biases [76.9127853906115]
拡散モデルと人間の嗜好のギャップを埋めることが、実用的生成への統合に不可欠である。
本稿では,拡散モデルの時間的帰納バイアスを利用したポリシー勾配アルゴリズムTDPO-Rを提案する。
実験の結果,報酬過小評価を緩和する手法が有効であることが示された。
論文 参考訳（メタデータ） (2024-02-13T15:55:41Z) - Extracting or Guessing? Improving Faithfulness of Event Temporal
Relation Extraction [87.04153383938969]
本研究では,TempRel抽出モデルの忠実度を2つの観点から改善する。
第1の視点は、文脈記述に基づいて真に抽出することである。
第2の視点は、適切な不確実性評価を提供することである。
論文 参考訳（メタデータ） (2022-10-10T19:53:13Z) - Physically Meaningful Uncertainty Quantification in Probabilistic Wind
Turbine Power Curve Models as a Damage Sensitive Feature [0.0]
風力曲線は風力タービンの構造的健康モニタリングの鍵となる部分である。
多くの確率的パワーカーブモデルは、物理的に意味がないという点において重要な制限を持つ。
本稿では、物理的に有意な確率的パワーカーブモデルを生成するために、2つの有界ガウス過程を用いて検討する。
論文 参考訳（メタデータ） (2022-09-30T16:45:15Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳（メタデータ） (2022-04-19T10:51:00Z) - Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。
我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
論文 参考訳（メタデータ） (2022-04-05T12:52:45Z) - Active inference, Bayesian optimal design, and expected utility [1.433758865948252]
活性推論がベイズ決定理論とベイズ設計の最適原理を結合し、期待される自由エネルギーを最小化する方法について述べる。
情報探索行動の自然発生を可能にする、活発な推論のこの側面である。
我々のTmazeシミュレーションは、期待される自由エネルギーを最適化し、期待されるユーティリティを最適化し、純粋に悪用的な振る舞いを誘導することを示す。
論文 参考訳（メタデータ） (2021-09-21T20:56:32Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Output-Weighted Optimal Sampling for Bayesian Experimental Design and
Uncertainty Quantification [0.0]
サンプル選択のための一連の取得関数を導入し,ベイズの実験設計と不確実性定量化に関する応用において,より高速な収束をもたらす。
提案手法は,ブラックボックス関数の入力方向が他よりも出力に大きく影響していることを活用することを目的としており,特に稀かつ極端な事象を示すシステムにおいて重要である。
論文 参考訳（メタデータ） (2020-06-22T16:21:54Z) - Information-Theoretic Free Energy as Emotion Potential: Emotional
Valence as a Function of Complexity and Novelty [0.0]
感覚刺激が知覚された後に脳内で処理される情報内容としての覚醒電位をモデル化した。
視覚刺激による経験的エビデンスを実証し,認識される新規性と複雑性の総和が逆U字型美機能を形成するという仮説を裏付けた。
論文 参考訳（メタデータ） (2020-03-23T04:10:23Z) - Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。
また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文 参考訳（メタデータ） (2020-02-20T15:13:27Z)
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。