論文の概要: Renormalising Generative Models for Active Inference: Foundations, Derivations, and Verification

• arxiv url: http://arxiv.org/abs/2608.09512v1
• Date: Mon, 10 Aug 2026 12:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.254211
• Title: Renormalising Generative Models for Active Inference: Foundations, Derivations, and Verification
• Title（参考訳）: アクティブ推論のための生成モデルの再正規化:基礎、導出、検証
• Abstract要約: RGM(Renormalising Generative Model)は、空間的および時間的スケールにわたって離散的な生成モデルを構成する。 本稿では、RGMの自己完結型、導出型アカウントと、オープンで検証された実装を提供する。
• 参考スコア（独自算出の注目度）: 0.6927055673104934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active inference offers a unified framework for perception, learning, and action, but scaling discrete active-inference models to rich spatial and temporal domains remains difficult. Renormalising generative models (RGMs) address this challenge by composing discrete generative models across spatial and temporal scales, coarse-graining lower-level states and paths into higher-level causes for objects, events, and action. However, fully reproducing and adapting the framework remains difficult: the mathematical exposition is compact, and the reference implementations are deeply integrated within specialized software environments, leaving many algorithmic details implicit. This paper addresses these challenges by providing a self-contained, derivation-oriented account of RGMs together with an open, verified implementation. We explain how the hierarchy is built, how beliefs and actions are updated within it, and how information is passed between levels. Where the published equations and implementation differ in emphasis, we make those choices explicit and explain their modelling consequences. By clarifying the theory and separating it from its original implementation context, this work lowers practical barriers to entry and makes RGMs more transparent, auditable, and reproducible, providing a foundation for future quantitative evaluation and development on machine-learning benchmarks.
• Abstract（参考訳）: アクティブ推論は、知覚、学習、行動のための統一されたフレームワークを提供するが、離散的なアクティブ推論モデルをリッチな空間的および時間的領域に拡張することは難しいままである。 RGM(Renormalising Generative Model)は、空間的および時間的スケールで離散的な生成モデルを構成し、粗い下層状態とパスをオブジェクト、イベント、アクションの高レベルな原因に分解することで、この問題に対処する。 数学的表現はコンパクトであり、参照実装は特別なソフトウェア環境に深く統合されており、多くのアルゴリズムの詳細が暗黙的に残されている。 本稿では、RGMの自己完結型導出型アカウントと、オープンで検証された実装を提供することにより、これらの課題に対処する。 階層構造の構築方法、信念や行動の更新方法、レベル間の情報伝達方法について説明する。 公表された方程式と実装が強調的に異なる場合、これらの選択を明確にし、それらのモデリング結果を説明する。 この研究は、理論を明確にし、元の実装コンテキストから切り離すことで、導入に対する現実的な障壁を低くし、RGMをより透明で、監査可能で、再現可能にし、将来の定量的評価と機械学習ベンチマークの開発のための基盤を提供する。

関連論文リスト

• The Art of Interrogation: Consistency Amplifies Factuality in Spatial Reasoning [65.67266333751569]
  現在のLRM(Large Reasoning Models)は、空間推論タスクにおいて顕著な汎用性を示すが、性能は著しく劣る。 本研究では,内的推論プロセスを対象とした自己指導型強化学習フレームワークを提案する。 このラベルのない整合性トレーニングは,地道的な監督によって訓練されたモデルの精度にアプローチし,多様なタスクやデータ領域にまたがる同様の一般化を実現することを示す。
  論文  参考訳（メタデータ） (2026-06-10T10:50:06Z)
• Large Vision-Language Models Get Lost in Attention [51.851592109135716]
  本稿では,情報理論と幾何に基づく統合フレームワークを提案し,残差更新の幾何的およびエントロピー的性質を定量化する。 注意は再設定に焦点を当てたサブスペース言語演算子として機能し、FFNはセマンティックイノベーションを駆動するサブスペース言語演算子として機能します。
  論文  参考訳（メタデータ） (2026-05-07T04:45:52Z)
• Learning Invariant Modality Representation for Robust Multimodal Learning from a Causal Inference Perspective [6.3310165899037045]
  頑健なマルチモーダル学習のための因果的モダリティ不変表現(CmIR)学習フレームワークを提案する。 CmIRは学習した不変表現が、異なる環境におけるラベルとの安定した予測関係を維持することを保証している。 CmIRはアウト・オブ・ディストリビューションデータとノイズデータに優れ、その堅牢性と一般化性を確認する。
  論文  参考訳（メタデータ） (2026-04-20T16:16:36Z)
• Actionable and diverse counterfactual explanations incorporating domain knowledge and causal constraints [6.99674326582747]
  電子メールマーケティング分野におけるサイバーセキュリティアプリケーションに動機づけられた我々は、Diverse, Actionable, and kNowledge-Constrained Explanations (DANCE) を生成する方法を提案する。 提案手法は,データから線形および非線形な制約を学習したり,専門家が提案する依存性グラフを統合して,対策が確実かつ実行可能なことを保証する。 この研究はポーランド最大の電子メールマーケティング会社であるFreshmailによる実生活事例調査に基づいて開発され、共同研究開発プロジェクトであるSendguardが支援している。
  論文  参考訳（メタデータ） (2025-11-25T12:09:36Z)
• Explaining multimodal LLMs via intra-modal token interactions [55.27436637894534]
  MLLM(Multimodal Large Language Models)は、様々な視覚言語タスクにおいて顕著な成功を収めているが、その内部決定機構は十分に理解されていない。 モーダル内相互作用を利用した解釈可能性の向上を提案する。
  論文  参考訳（メタデータ） (2025-09-26T14:39:13Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• EnriCo: Enriched Representation and Globally Constrained Inference for Entity and Relation Extraction [3.579132482505273]
  結合実体と関係抽出は、特に知識グラフの構築において、様々な応用において重要な役割を担っている。 既存のアプローチはしばしば、表現の豊かさと出力構造におけるコヒーレンスという2つの重要な側面に欠ける。 本研究では,これらの欠点を緩和するEnriCoを紹介する。
  論文  参考訳（メタデータ） (2024-04-18T20:15:48Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• Invariant Causal Prediction for Block MDPs [106.63346115341862]
  環境全体にわたる一般化は、実世界の課題への強化学習アルゴリズムの適用の成功に不可欠である。 本稿では,多環境環境における新しい観測を一般化するモデル不適合状態抽象化(MISA)を学習するための不変予測法を提案する。
  論文  参考訳（メタデータ） (2020-03-12T21:03:01Z)

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。