論文の概要: Reframing the Expected Free Energy: Four Formulations and a Unification

• arxiv url: http://arxiv.org/abs/2402.14460v1
• Date: Thu, 22 Feb 2024 11:38:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-23 15:21:56.979914
• Title: Reframing the Expected Free Energy: Four Formulations and a Unification
• Title（参考訳）: 期待される自由エネルギー:4つの定式化と統一
• Authors: Th\'eophile Champion, Howard Bowman, Dimitrije Markovi\'c, Marek Grze\'s
• Abstract要約: 能動推論は期待される自由エネルギーに基づいている。 本稿では、これらの定式化を1つのルート予測自由エネルギー定義から導出する問題を定式化する。
• 参考スコア（独自算出の注目度）: 3.9121134770873733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active inference is a leading theory of perception, learning and decision making, which can be applied to neuroscience, robotics, psychology, and machine learning. Active inference is based on the expected free energy, which is mostly justified by the intuitive plausibility of its formulations, e.g., the risk plus ambiguity and information gain / pragmatic value formulations. This paper seek to formalize the problem of deriving these formulations from a single root expected free energy definition, i.e., the unification problem. Then, we study two settings, each one having its own root expected free energy definition. In the first setting, no justification for the expected free energy has been proposed to date, but all the formulations can be recovered from it. However, in this setting, the agent cannot have arbitrary prior preferences over observations. Indeed, only a limited class of prior preferences over observations is compatible with the likelihood mapping of the generative model. In the second setting, a justification of the root expected free energy definition is known, but this setting only accounts for two formulations, i.e., the risk over states plus ambiguity and entropy plus expected energy formulations.
• Abstract（参考訳）: 能動的推論は知覚、学習、意思決定の主要な理論であり、神経科学、ロボティクス、心理学、機械学習に応用できる。 アクティブ推論は期待される自由エネルギーに基づいており、主にその定式化の直感的な妥当性、例えばリスクプラス曖昧さと情報ゲイン/実用的価値定式化によって正当化される。 本稿では, 単一根期待自由エネルギー定義, すなわち統一問題からこれらの定式化を導出する問題を定式化する。 次に、それぞれ独自のルート予測自由エネルギー定義を持つ2つの設定について検討する。 最初の設定では、期待された自由エネルギーの正当化は提案されていないが、全ての定式化は回収可能である。 しかし、この設定では、エージェントは観測よりも任意の事前選好を持つことができない。 実際、観測よりも優先される優先順位のクラスは、生成モデルの可能性マッピングと互換性がある。 第2の設定では、根の期待自由エネルギーの定義の正当化が知られているが、この設定は2つの定式化、すなわち、状態に対するリスク、曖昧さ、エントロピー、および期待エネルギー定式化のみを成す。

関連論文リスト

• Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
  I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。 帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。 本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。 第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
  論文  参考訳（メタデータ） (2024-08-03T13:37:40Z)
• A Semantic Approach to Decidability in Epistemic Planning (Extended Version) [72.77805489645604]
  我々は決定可能性を達成するために新しい意味論的アプローチを用いる。 具体的には、知識の論理S5$_n$と(知識)可換性と呼ばれる相互作用公理を拡大する。 我々は,本フレームワークが,独立した知識である共通知識の有限的非固定点的特徴を認めていることを証明した。
  論文  参考訳（メタデータ） (2023-07-28T11:26:26Z)
• Doubly Stochastic Graph-based Non-autoregressive Reaction Prediction [59.41636061300571]
  電子再分配予測を得るために2つの二重自己アテンションマッピングを組み合わせた新しいフレームワークを提案する。 提案手法は,非自己回帰モデルの予測性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2023-06-05T14:15:39Z)
• Neuro-Symbolic Entropy Regularization [78.16196949641079]
  構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。 エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。 我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-25T06:23:10Z)
• A free energy principle for generic quantum systems [0.0]
  本稿では、一般的な量子系を観察者と見なす方法を示し、選択の自由度を基準として、意味論を観察結果に割り当てることのできるエージェントとなる。 生体系は計算資源として量子コヒーレンスを用い, 暗黙的に通信資源として利用することが示唆された。
  論文  参考訳（メタデータ） (2021-12-30T23:34:04Z)
• 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)
• Maximizing Information Gain in Partially Observable Environments via Prediction Reward [64.24528565312463]
  本稿では,深いRLエージェントに対する信念に基づく報酬の活用という課題に取り組む。 負のエントロピーと予測される予測報酬の正確な誤差を導出する。 この洞察は、予測報酬を用いたいくつかの分野の理論的動機を与える。
  論文  参考訳（メタデータ） (2020-05-11T08:13:49Z)
• Computing Absolute Free Energy with Deep Generative Models [2.610895122644814]
  状態の絶対自由エネルギーを計算するための一般的な枠組みを導入する。 計算の重要なステップは、抽出可能な深層生成モデルによる参照状態の定義である。 興味のある状態に対する自由エネルギーは、参照との違いとして決定することができる。
  論文  参考訳（メタデータ） (2020-05-01T22:19:31Z)
• The Two Kinds of Free Energy and the Bayesian Revolution [0.0]
  我々は、知的エージェンシーの現在のモデルには、基本的に2つの異なる自由エネルギーの概念があると主張している。 一般的な最大エントロピー原理に基づいて精度と不確実性をトレードオフする場合に現れる。 他の公式は、与えられた参照モデルからの信念とポリシーの逸脱を定量化する誤り尺度を最小化する観点から行動選択を定式化する。
  論文  参考訳（メタデータ） (2020-04-24T14:09:28Z)
• Whence the Expected Free Energy? [68.8204255655161]
  我々は、期待される自由エネルギー(EFE)が単に「未来の自由エネルギー」ではないことを示した。 そして、新しい目標、期待される未来自由エネルギー(FEEF)を開発する。
  論文  参考訳（メタデータ） (2020-04-17T09:06:56Z)

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。