論文の概要: Parameter Learning in Active Inference via Variational Message Passing

• arxiv url: http://arxiv.org/abs/2610.30899v1
• Date: Thu, 22 Oct 2026 08:22:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.280375
• Title: Parameter Learning in Active Inference via Variational Message Passing
• Title（参考訳）: 変分メッセージパッシングによるアクティブ推論におけるパラメータ学習
• Abstract要約: 積極的推論は、予測自由エネルギー(EFE)が計画目標を定義するように、知覚、学習、計画を変分推論として用いている。 近年の研究では, EFE の最小化は, 造血前兆を付加した生成モデル上での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。 そこでは、観察と遷移パラメータに対する信念が$_A$、$_B$はDirichlet以前のものである。 2つのグリッドPOMDPの実験では、モデルを学ぶプランナーだけが安全な経路を見つけ、効率的に学習する計画を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active inference casts perception, learning and planning as variational inference, where the Expected Free Energy (EFE) defines the planning objective. Recent work showed that EFE minimization can be written as Variational Free Energy (VFE) minimization on a generative model augmented with epistemic priors, and that the resulting entropy-corrected objective is minimized by sum-product message passing (SP-MP) on modified factor functions. These formulations treat model uncertainty as inference over a finite set of known models. We extend them to planning during learning, where beliefs over the observation and transition parameters $θ_A$, $θ_B$ are Dirichlet priors. Closed-form Dirichlet updates are usually obtained by a structured mean-field factorization between parameters and states, but under exactly that factorization the information-gain corrections vanish. We resolve this by giving every factor its own parameter prior, frozen during a rollout. Conjugacy then makes each factor belief a product of a marginal over the categorical variables and a one-step Bayes posterior of the parameters. This reintroduces the datum-dependent parameter posteriors that mean-field factorization destroys. We show that evaluating the epistemic priors under the resulting Bethe joint recovers the information gains. Stationarity of this single closed-form objective yields SP-MP whose factor functions are augmented by the information-gain weight. Experiments on two grid POMDPs, in which only a planner that learns the model finds the safe route, show that the method plans to efficiently learn $θ_A$ and $θ_B$. It reaches the goal on every episode, whereas SP-MP planners with the same inference update plateau or take the risky route.
• Abstract（参考訳）: 積極的推論は、予測自由エネルギー(EFE)が計画目標を定義するように、知覚、学習、計画を変分推論として用いている。 近年の研究では、EFEの最小化は、先天的な前兆を付加した生成モデル上での変動自由エネルギー (VFE) の最小化として記述でき、結果として生じるエントロピー補正目的は、修正因子関数上の和積メッセージパッシング (SP-MP) によって最小化されることを示した。 これらの定式化は、モデルの不確かさを、有限個の既知のモデルの集合に対する推論として扱う。 そこでは、観測と遷移のパラメータを$θ_A$, $θ_B$はディリクレ先行である。 閉形式ディリクレ更新は通常、パラメータと状態の間の平均場分解によって得られるが、正確には情報ゲイン補正は消滅する。 私たちは、ロールアウト中に凍結された、すべての因子にそれ自身のパラメータを前もって与えることで、これを解決します。 共役性は、各因子をカテゴリー変数とパラメータの1ステップのベイズ後方の辺りの積とみなす。 これにより、平均場分解が破壊するダタム依存パラメータ後部を再導入する。 以上の結果から,Bethe関節によるてんかん前兆の評価が得られた。 この単一の閉形式対象物の定常性は、情報ゲイン重みによって係数関数が増強されたSP-MPを生成する。 2つのグリッドPOMDPの実験では、モデルを学ぶプランナーだけが安全な経路を見つけ、この手法が効率よく$θ_A$と$θ_B$を学習する計画を示している。 各エピソードでゴールに達するが、SP-MPプランナーは同じ推論更新高原を持つか、リスクの高いルートを取る。

関連論文リスト

• ProximalFM: Amortized Proximal Causal Inference under Hidden Confounding [11.607770194832211]
  近因果推論では、プロキシ変数を使用して、隠れたコンバウンディングの下で効果を識別する。 構造因果モデルに適合する構造因果モデルから抽出した合成データに、オラクル対策品へのアクセスを学習する。 点推定を主眼とする先行文献と比較して,我々のモデルである ProximalFM は,条件平均処理効果(CATE)のベイズ後部分布を明示的にターゲットとしている。
  論文  参考訳（メタデータ） (2026-10-06T10:07:19Z)
• 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)
• 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)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Revisiting Essential and Nonessential Settings of Evidential Deep Learning [70.82728812001807]
  Evidential Deep Learning (EDL) は不確実性推定の新しい手法である。 本報告では,EDLの簡易かつ効果的な拡張型であるRe-EDLを提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:27:07Z)
• Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
  A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。 本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。 また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
  論文  参考訳（メタデータ） (2023-06-01T09:39:32Z)
• Environment Invariant Linear Least Squares [16.831875263656027]
  本稿では,複数の実験環境からのデータを収集する多環境線形回帰モデルについて考察する。 線形最小二乗回帰のマルチ環境バージョンである、新しい環境不変線形最小二乗関数(EILLS)を構築する。
  論文  参考訳（メタデータ） (2023-03-06T13:10:54Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Exploiting Submodular Value Functions For Scaling Up Active Perception [60.81276437097671]
  アクティブな知覚タスクでは、エージェントは1つ以上の隠れ変数の不確実性を減少させる感覚行動を選択することを目的としている。 部分的に観測可能なマルコフ決定過程(POMDP)は、そのような問題に対する自然なモデルを提供する。 エージェントが利用できるセンサーの数が増えるにつれて、POMDP計画の計算コストは指数関数的に増加する。
  論文  参考訳（メタデータ） (2020-09-21T09:11:36Z)

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。