論文の概要: Active inference and artificial reasoning

• arxiv url: http://arxiv.org/abs/2512.21129v1
• Date: Wed, 24 Dec 2025 11:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.774515
• Title: Active inference and artificial reasoning
• Title（参考訳）: 能動推論と人工推論
• Authors: Karl Friston, Lancelot Da Costa, Alexander Tschantz, Conor Heins, Christopher Buckley, Tim Verbelen, Thomas Parr,
• Abstract要約: この技術的注記は、基礎となる世界モデルの構造に関する最も多くの情報を提供する結果のサンプリングについて考察する。 我々は、世界モデルに関する最大の不確実性を解決する結果を求めることで得られるサンプル効率に焦点を当てる。
• 参考スコア（独自算出の注目度）: 36.949648744325046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This technical note considers the sampling of outcomes that provide the greatest amount of information about the structure of underlying world models. This generalisation furnishes a principled approach to structure learning under a plausible set of generative models or hypotheses. In active inference, policies - i.e., combinations of actions - are selected based on their expected free energy, which comprises expected information gain and value. Information gain corresponds to the KL divergence between predictive posteriors with, and without, the consequences of action. Posteriors over models can be evaluated quickly and efficiently using Bayesian Model Reduction, based upon accumulated posterior beliefs about model parameters. The ensuing information gain can then be used to select actions that disambiguate among alternative models, in the spirit of optimal experimental design. We illustrate this kind of active selection or reasoning using partially observed discrete models; namely, a 'three-ball' paradigm used previously to describe artificial insight and 'aha moments' via (synthetic) introspection or sleep. We focus on the sample efficiency afforded by seeking outcomes that resolve the greatest uncertainty about the world model, under which outcomes are generated.
• Abstract（参考訳）: この技術的注記は、基礎となる世界モデルの構造に関する最も多くの情報を提供する結果のサンプリングについて考察する。 この一般化は、予測可能な生成モデルや仮説の集合の下での構造学習に原則化されたアプローチを提供する。 アクティブ推論では、期待される情報ゲインと値からなる期待自由エネルギーに基づいて、ポリシー、すなわちアクションの組み合わせが選択される。 情報ゲイン(information gain)は、行動の結果を予測的後肢間のKLばらつきに対応する。 モデルパラメータに関する累積後続の信念に基づいてベイズモデル還元を用いて、モデルに対する後続体を迅速かつ効率的に評価することができる。 続く情報ゲインは、最適な実験設計の精神において、代替モデルの間で曖昧なアクションを選択するために使用することができる。 人工的な洞察や(合成)イントロスペクションや睡眠を通じての「アハモーメント」を記述するために,これまで用いられてきた「3球」パラダイムを,部分的に観察された離散モデルを用いて,このようなアクティブな選択や推論について説明する。 結果が生成される世界モデルに関する最大の不確実性を解決する結果を求めることで得られるサンプル効率に着目する。

関連論文リスト

• Modeling and Discovering Direct Causes for Predictive Models [0.0]
  本稿では,予測モデルの入出力挙動を捉える因果モデリングフレームワークを提案する。 そして、いくつかの仮定の下で(データから)直接原因を発見するための、健全で完全なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-03T22:25:42Z)
• Fast Explanations via Policy Gradient-Optimized Explainer [7.011763596804071]
  本稿では,確率分布による帰属に基づく説明を表現する新しい枠組みを提案する。 提案するフレームワークは、リアルタイムで大規模なモデル説明のための堅牢でスケーラブルなソリューションを提供する。 画像とテキストの分類作業におけるフレームワークの有効性を検証するとともに,提案手法は推論時間を97%以上削減し,メモリ使用量を70%以上削減することを示した。
  論文  参考訳（メタデータ） (2024-05-29T00:01:40Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Consistent Explanations in the Face of Model Indeterminacy via Ensembling [12.661530681518899]
  この研究は、モデル不確定性の存在下で予測モデルに対して一貫した説明を提供することの課題に対処する。 これらのシナリオで提供される説明の一貫性を高めるためのアンサンブル手法を導入する。 本研究は,説明文の解釈において,モデル不確定性を考慮することの重要性を強調した。
  論文  参考訳（メタデータ） (2023-06-09T18:45:43Z)
• Control-Oriented Model-Based Reinforcement Learning with Implicit Differentiation [11.219641045667055]
  そこで本研究では,暗黙の微分を用いたモデル学習において,期待値を直接最適化するエンド・ツー・エンドのアプローチを提案する。 モデル不特定化方式におけるアプローチの利点を、確率に基づく手法と比較した理論的および実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2021-06-06T23:15:49Z)
• Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
  数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。 我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。 我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-05-14T06:58:44Z)
• Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
  コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。 本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。 このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
  論文  参考訳（メタデータ） (2021-03-18T12:57:34Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

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。