論文の概要: An Active Inference Model of Mouse Point-and-Click Behaviour

• arxiv url: http://arxiv.org/abs/2510.14611v1
• Date: Thu, 16 Oct 2025 12:19:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.844601
• Title: An Active Inference Model of Mouse Point-and-Click Behaviour
• Title（参考訳）: マウスのポイント・アンド・クリック行動のアクティブ推論モデル
• Authors: Markus Klar, Sebastian Stein, Fraser Paterson, John H. Williamson, Roderick Murray-Smith,
• Abstract要約: 連続状態, 動作, 観察空間を有するAIFエージェントを1次元マウスで指差し, クリックする。 我々は,マウスカーソルの力学を現実的な遅延でモデル化するために,シンプルな動的システムを用いる。 以上の結果から,カーソルが目標を上回っている場合,エージェントが適度なポインティング動作とクリックを生成できることがわかった。
• 参考スコア（独自算出の注目度）: 6.861919837733669
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We explore the use of Active Inference (AIF) as a computational user model for spatial pointing, a key problem in Human-Computer Interaction (HCI). We present an AIF agent with continuous state, action, and observation spaces, performing one-dimensional mouse pointing and clicking. We use a simple underlying dynamic system to model the mouse cursor dynamics with realistic perceptual delay. In contrast to previous optimal feedback control-based models, the agent's actions are selected by minimizing Expected Free Energy, solely based on preference distributions over percepts, such as observing clicking a button correctly. Our results show that the agent creates plausible pointing movements and clicks when the cursor is over the target, with similar end-point variance to human users. In contrast to other models of pointing, we incorporate fully probabilistic, predictive delay compensation into the agent. The agent shows distinct behaviour for differing target difficulties without the need to retune system parameters, as done in other approaches. We discuss the simulation results and emphasize the challenges in identifying the correct configuration of an AIF agent interacting with continuous systems.
• Abstract（参考訳）: 本稿では,人-コンピュータインタラクション(HCI)における重要な問題である空間的ポインティングの計算的ユーザモデルとして,アクティブ推論(AIF)の利用について検討する。 連続状態, 動作, 観察空間を有するAIFエージェントを1次元マウスで指差し, クリックする。 我々は,マウスカーソルの力学を現実的な知覚遅延でモデル化するために,シンプルな動的システムを用いる。 従来の最適フィードバック制御モデルとは対照的に、エージェントの動作は期待自由エネルギーを最小化することで選択される。 以上の結果から,カーソルが目標を超過した場合に,エージェントが適度なポインティング動作とクリックを生成できることを示す。 他のポインティングモデルとは対照的に、完全に確率的、予測的遅延補償をエージェントに組み込む。 エージェントは、他のアプローチで行われているように、システムパラメータを再調整する必要なしに、異なる目的の難易度に対して異なる振る舞いを示す。 シミュレーション結果について議論し、連続システムと相互作用するAIFエージェントの正しい構成を特定する上での課題を強調する。

関連論文リスト

• Can foundation models actively gather information in interactive environments to test hypotheses? [43.42688356541211]
  基礎モデルはシングルターン推論において優れているが、動的環境におけるマルチターン探索に苦慮している。 これらのモデルを,経験から学び,適応し,情報を収集する能力に基づいて評価した。
  論文  参考訳（メタデータ） (2024-12-09T12:27:21Z)
• Who Walks With You Matters: Perceiving Social Interactions with Groups for Pedestrian Trajectory Prediction [14.009392073139441]
  本稿では,GrouP ConCeption(GPCC)モデルを提案する。 GPCCモデルでは、軌道予測精度が大幅に向上し、社会的・個人的ダイナミクスをモデル化する上での有効性が検証された。
  論文  参考訳（メタデータ） (2024-12-03T11:47:33Z)
• Collaborative Instance Object Navigation: Leveraging Uncertainty-Awareness to Minimize Human-Agent Dialogues [54.81155589931697]
  協調インスタンスオブジェクトナビゲーション(CoIN)は、エージェントがターゲットインスタンスに関する不確実性を積極的に解決する新しいタスク設定である。 未認識者に対するエージェント・ユーザインタラクション(AIUTA)の新たな学習自由化手法を提案する。 まず、オブジェクト検出時に、セルフクエチオナーモデルがエージェント内で自己対話を開始し、完全かつ正確な観察記述を得る。 インタラクショントリガーモジュールは、人間に質問するか、継続するか、ナビゲーションを停止するかを決定する。
  論文  参考訳（メタデータ） (2024-12-02T08:16:38Z)
• R-AIF: Solving Sparse-Reward Robotic Tasks from Pixels with Active Inference and World Models [50.19174067263255]
  我々は、エージェントがスパース・リワード、継続的なアクション、ゴールベースのロボット制御POMDP環境においてエクササイズするのを助けるために、事前の選好学習手法と自己修正スケジュールを導入する。 我々のエージェントは、累積報酬、相対安定性、成功率の観点から、最先端モデルよりも優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-09-21T18:32:44Z)
• Interpretable Interaction Modeling for Trajectory Prediction via Agent Selection and Physical Coefficient [1.6954753390775528]
  本稿では、手動で対話エージェントを選択し、Transformerの注目スコアを新たに計算された物理相関係数に置き換えるASPILinを提案する。 驚くべきことに、これらの単純な修正は予測性能を大幅に改善し、計算コストを大幅に削減することができる。
  論文  参考訳（メタデータ） (2024-05-21T18:45:18Z)
• User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
  LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。 実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
  論文  参考訳（メタデータ） (2023-06-05T02:58:35Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• Bayesian optimization of distributed neurodynamical controller models for spatial navigation [1.9249287163937971]
  我々はニューロシュワームコントローラを導入し、エージェントベースの相互作用を神経ネットワークの相互作用に類似してモデル化する。 この複雑さは、従来のSwarmモデルの研究に一般的に使用される安定性、制御可能性、性能の線形解析を妨げる。 ベイズ最適化に基づく自律型マルチエージェントシステムの動的コントローラモデルをチューニングするためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-31T21:43:06Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)

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。