論文の概要: Expected Free Energy-based Planning as Variational Inference
- arxiv url: http://arxiv.org/abs/2606.20658v1
- Date: Tue, 09 Jun 2026 08:09:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 20:33:52.19373
- Title: Expected Free Energy-based Planning as Variational Inference
- Title（参考訳）: 変動推論としての自由エネルギー計画への期待
- Abstract要約: EFEに基づくプランニングは, 変動自由エネルギーの最小化として定式化できることを示す。
本研究の主な成果は, 適切な事前選択による変動自由エネルギー関数の最小化が, 予測計画コストへの分解をもたらすことを示すことである。
- 参考スコア（独自算出の注目度）: 1.2731778729620478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Planning under uncertainty requires agents to balance goal achievement with information gathering. Active inference addresses this through the Expected Free Energy (EFE), a cost function that unifies instrumental and epistemic objectives. However, existing EFE-based methods typically employ specialized optimization procedures that are difficult to extend or analyze. In this paper, we show that EFE-based planning can be formulated as Variational Free Energy minimization on a generative model augmented with epistemic priors. Our main result demonstrates that minimizing a Variational Free Energy functional with appropriately chosen priors yields a decomposition into expected plan costs (the EFE) plus a complexity term. This formulation reinforces theoretical consistency with the Free Energy Principle by casting planning as the same inferential process that governs perception and learning. We validate our approach on three environments of increasing complexity: a deterministic T-maze, a stochastic Reactivity Maze, and a partially observable MiniGrid DoorKey-8x8 environment. The experiments demonstrate that the epistemic priors induce information-seeking behavior, that the variational formulation yields policy-based inference outperforming plan-based methods under stochastic transitions, and that temporal factorization enables scalability to environments where existing tabular active inference methods cannot operate.
- Abstract（参考訳）: 不確実性の下での計画には、エージェントは目標達成と情報収集のバランスを取る必要がある。
能動推論は、楽器とてんかんの目的を統一するコスト関数である期待自由エネルギー(EFE)を通じてこの問題に対処する。
しかし、既存のEFEベースの手法では、拡張や解析が難しい特別な最適化手順が一般的である。
本稿では, EFE をベースとした計画手法を, 先天的前兆を付加した生成モデル上での変動自由エネルギー最小化として定式化できることを示す。
本研究の主な成果は, 予測計画コスト(EFE)と複雑性項とを分解し, 適切な事前選択による変動自由エネルギー関数の最小化を図ったことである。
この定式化は、知覚と学習を支配するのと同じ推論過程として計画を立てることによって、自由エネルギー原理との理論的整合性を強化する。
我々は,複雑性が増大する3つの環境 – 決定論的T迷路,確率論的反応性迷路,および部分的に観測可能なMiniGrid DoorKey-8x8環境 – にアプローチを検証する。
実験により, 先天的な先行が情報探索行動, 変動的定式化により, 確率的遷移下での計画的手法よりも優れた政策ベースの推論が得られ, 時間的因子化により, 既存の表型アクティブな推論手法が動作できない環境に拡張可能であることを示した。
関連論文リスト
- Action-BED: Task-Driven Bayesian Experimental Design with Singly Intractable Objectives [12.963546988204875]
ダウンストリームアクションにおける将来的な損失(EFL)が、設計ポリシーのためのシンプルで自然なタスク駆動のフレームワークを提供することを示す。
次に、これらのEFLは、設計方針と下流アクションポリシーの両方に関して共同で最適化できる、単体で難解な目的に再構成可能であることを示す。
論文 参考訳（メタデータ） (2026-06-22T17:48:07Z) - What Type of Inference is Active Inference? [1.1654568410166082]
積極的推論は意思決定を推論とし、期待自由エネルギー(EFE)はゴール指向と情報探索の行動を統一する。
近年の研究では、EFEは、てんかんの前兆を付加した生成モデル上で、変動自由エネルギー(VFE)の最小化として記述できることが示されている。
EFEをベースとした適切な計画には、これらのエピステミック補正と、限界推論をポリシー最適化に変換する計画修正を組み合わせる必要がある。
これは、クロスエントロピー計画と完全なEFEベースの計画にどの修正が必要であるかを明らかにする。
論文 参考訳（メタデータ） (2026-06-03T14:24:53Z) - Information as Maximum-Caliber Deviation: A bridge between Integrated Information Theory and the Free Energy Principle [51.56484100374058]
この研究は、情報が有限時間地平線上の制約付き最大曲率(MaxCal)パスアンサンブルから実現された力学の偏差$$$として定義されることを示唆している。
この定義の下では、IIT 3.0の中心となる原因/影響レパートリーは、MaxCalの変分原理から直接現れる。
情報$$は、付随する予測符号化モデルの下での予測誤差と同値である。
論文 参考訳（メタデータ） (2026-05-03T07:22:55Z) - On the Entropy Dynamics in Reinforcement Fine-Tuning of Large Language Models [54.61810451777578]
エントロピーは、大きな言語モデルによって生成される出力の多様性を測定するための重要な指標となる。
近年の研究では、強化微調整における探究と利用のバランスを改善するために、エントロピーの監視と調整に重点を置いている。
論文 参考訳（メタデータ） (2026-02-03T11:14:58Z) - Active Inference is a Subtype of Variational Inference [0.0]
我々はEFE最小化を変分推論として再キャストし、正式にプランニング・アズ・推論と統合し、ドライブをユニークなエントロピー的貢献として示す理論を構築した。
我々の主な貢献は、この統一目的のための新しいメッセージパス方式であり、分解状態のMDPにおけるスケーラブルなアクティブ推論を可能にし、高次元プランニングの難しさを克服する。
論文 参考訳（メタデータ） (2025-11-24T10:14:09Z) - A Message Passing Realization of Expected Free Energy Minimization [2.099922236065961]
本稿では,因子グラフ上の期待自由エネルギー(EFE)に対するメッセージパッシング手法を提案する。
我々は,解答可能な探索問題を,標準変分法を用いて抽出可能な推論問題に変換する。
因数化状態空間モデルにメッセージパッシング手法を適用することで、効率的なポリシー推論が可能になる。
論文 参考訳（メタデータ） (2025-08-04T08:48:37Z) - Expected Free Energy-based Planning as Variational Inference [2.5935401957183846]
EFEに基づくプランニングは、生成モデル上での変動自由エネルギー関数の最小化から自然に発生することを示す。
この結果は、不確実性それ自体で計画を変分推論の形式としてキャストすることで、自由エネルギー原理との理論的整合性を強化する。
我々の定式化は,有界計算資源を考慮に入れた複雑性項を取り入れつつ,目標達成と情報獲得を共同で支援する政策を導出する。
論文 参考訳（メタデータ） (2025-04-21T07:09:05Z) - Model Predictive Task Sampling for Efficient and Robust Adaptation [57.414812940406996]
本稿では,タスク空間と適応リスク分布をブリッジするフレームワークであるモデル予測タスクサンプリング(MPTS)を紹介する。
MPTSは、エピソード最適化プロセスの特徴付けに生成モデルを使用し、後部推論によりタスク固有の適応リスクを予測する。
MPTSはゼロショット、少数ショット、教師付き微調整設定にシームレスに統合される。
論文 参考訳（メタデータ） (2025-01-19T13:14:53Z) - Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。
本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。
我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
論文 参考訳（メタデータ） (2024-02-09T07:45:26Z) - Scalable PAC-Bayesian Meta-Learning via the PAC-Optimal Hyper-Posterior:
From Theory to Practice [54.03076395748459]
メタラーニング文学の中心的な疑問は、目に見えないタスクへの一般化を保証するために、いかに正規化するかである。
本稿では,Rothfussらによって最初に導かれたメタラーニングの一般化について述べる。
PAC-Bayesian per-task 学習境界におけるメタラーニングの条件と程度について,理論的解析および実証事例研究を行った。
論文 参考訳（メタデータ） (2022-11-14T08:51:04Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
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。