Active inference for action-unaware agents
Filippo Torresan, Keisuke Suzuki, Ryota Kanai, Manuel Baltieri
主动推理是一种研究认知的形式化方法，其基本观点是：自适应智能体可以通过最小化变分自由能和期望自由能来进行近似贝叶斯推理。最小化前者解释了感知过程和学习作为证据积累的过程，而最小化后者描述了智能体如何随时间选择其动作。通过这种方式，自适应智能体能够在给定环境生成模型的情况下，最大化偏好观测或状态的可能性。然而，在文献中提出了不同的策略来描述智能体如何规划其未来动作。虽然这些策略都认同某种期望自由能为评估策略（即动作序列）的合意性提供了适当方法，但在考虑过去运动经验对智能体未来行为的贡献方面存在不同方式。在某些方法中，智能体被假定知道自己的动作，并利用这种知识来更好地规划未来。在其他方法中，智能体不知道自己的动作，必须从最近的观测中推断其运动行为以规划未来。这种差异反映了运动控制中两个主要框架的标准分歧点，即是否存在代表智能体自身动作知识的传出副本信号。在这项工作中，我们比较了动作感知和无动作感知智能体在两个导航任务中的表现，展示了无动作感知智能体如何在严重劣势下仍能实现与动作感知智能体相当的性能。
Active inference is a formal approach to study cognition based on the notion that adaptive agents can be seen as engaging in a process of approximate Bayesian inference, via the minimisation of variational and expected free energies. Minimising the former provides an account of perceptual processes and learning as evidence accumulation, while minimising the latter describes how agents select their actions over time. In this way, adaptive agents are able to maximise the likelihood of preferred ob...