Predictions in the eye of the beholder: an active inference account of Watt governors
主动推理引入了一种理论,通过最小化变化(和预期)自由能或简化假设下的(加权)预测误差来描述动作感知循环。最近,主动推理被提出作为认知科学中一个新的统一框架的一部分:预测处理。预测处理通常与传统的心智计算理论相关联,强烈依赖于以生成模型的形式呈现的内部表征,这些模型被认为可以解释生命和认知系统的不同功能。在这项工作中,我们介绍了一个积极的推理制定瓦特离心总督,一个系统经常被描绘成典型的“反代表性”的认知隐喻。我们确定了一个生成模型的蒸汽机的总督,并推导出一组方程描述的“感知”和“行动”的过程作为一种形式的预测误差最小化。在这样做的时候,我们首先挑战的想法生成模型作为明确的内部表示的认知系统,这表明,这样的模型只作为隐含的描述观察者。其次,我们认为目前的建议,预测处理作为一种理论的认知,专注于它的一些潜在的缺点,特别是在这个想法,几乎任何系统都承认的预测误差最小化方面的描述,这表明该理论可能提供有限的解释力认知系统。最后,作为一线希望,我们强调的工具性作用,这个框架仍然可以发挥作为一个数学工具的建模认知架构解释贝叶斯(主动)推理。
2020-06-26 q-bio.NC
Mapping Husserlian phenomenology onto active inference
VERSES Research Lab(VERSES研究实验室);Université du Québec à Montréal(魁北克大学蒙特利尔分校);University of Oxford(牛津大学);University College London(伦敦大学学院);University of California, Merced(加利福尼亚大学默塞德分校)
现象学是对意识经验的严格描述性研究。最近试图形式化胡塞尔现象学为我们提供了一个数学模型的知觉作为先验知识和期望的函数。在本文中,我们通过主动推理的镜头重新审视胡塞尔现象学的要素。在这样做的过程中,我们的目标是推进计算现象学的项目,最近由积极推理的支持者概述。我们建议,胡塞尔的描述意识的关键方面可以映射到与积极推理方法相关的生成模型的方面。我们首先简要回顾一下主动推理。然后,我们讨论胡塞尔的现象学,重点是时间意识。最后,我们提出了我们的映射从胡塞尔现象学的积极推理。
2022-10-28 cs.AI q-bio.NC
The Role of Valence and Meta-awareness in Mirror Self-recognition Using Hierarchical Active Inference
使自我感知成为可能的潜在过程对于理解多感觉整合、身体感知和行动以及自我发展至关重要。以前的计算模型忽略了一个重要的方面:情感或情绪成分不能从自我识别过程中分离出来。因此,在这里,我们提出了一种计算方法来研究自我识别,采用最先进的层次主动推理的影响。我们在一个受镜子自我识别测试启发的合成实验中评估了我们的模型,镜子自我识别测试是评估动物和人类自我识别的基准。结果表明,i)负效价出现时,代理认识到自己,并了解到一些意想不到的内部状态。此外,ii)代理人在存在强烈的先前预期的负面情感状态将避免镜子完全预期的一个不希望的学习过程。这两个结果都与目前人类自我识别的文献相一致。
2022-08-28 q-bio.NC
Active inference, eye movements and oculomotor delays
本文考虑了不确定性下(平滑)眼球运动的最优控制中的感觉运动延迟问题。具体来说,我们认为延迟的视觉-眼神经回路及其影响的主动推理。主动推理使用卡尔曼滤波的推广,以提供贝叶斯最佳估计的隐藏状态和广义运动坐标中的动作。在广义坐标中表示隐藏状态提供了一种补偿感觉和视觉延迟的简单方法。该方案的功效说明使用神经元模拟的追求启动响应,有和没有补偿。然后,我们考虑扩展的生成模型,以模拟平滑的追求眼球运动-其中视觉-视觉系统认为目标及其注视中心都被吸引到视野中移动的(隐藏的)点。最后,生成模型配备了层次结构,因此它可以识别和记住看不见的(被遮挡的)轨迹,并发出预期的响应。这些模拟说话的一个简单的和神经生物学合理的解决方案,整合来自不同来源的信息具有不同的时间延迟和遇到的特殊困难时,系统-如眼科系统-试图控制其环境与延迟信号的一般问题。
2016-10-18 q-bio.NC
From Artificial Intelligence to Active Inference: The Key to True AI and 6G World Brain [Invited]
本文介绍主动推理框架的核心数学概念,为光网络研究者开辟人机交互方向新思路,并结合菌根网络探索将AI研究拓展至6G世界大脑的路径。
2025-04-29 q-bio.NC
An active inference implementation of phototaxis
在认知和计算神经科学中,主动推理作为一种可能的知觉和行为的统一理论而出现。根据这一理论,感知是一个通过最小化实际感觉和内部\emph{generative}(概率)模型预测的感觉之间的误差来推断感觉数据的原因的过程。另一方面,行动被描绘成一个改变世界的过程,这样,随之而来的感官输入就满足了编码在同一内部模型中的期望。这两个过程,推断世界的属性和推断满足期望所需的行动,关闭了感觉/运动回路,并暗示了行动和感知之间的深层对称性。在这项工作中,我们提出了一个简单的基于代理的模型,灵感来自这个新的理论,提供了一些其中心思想的见解。以前的主动推理的实现通常研究了这个理论的“面向感知”的观点,假设代理被赋予了他们周围环境的详细生成模型。相比之下,我们提出了一个“面向行动”的解决方案,显示如何自适应行为可以出现,即使当代理商与一个简单的模型,承担他们的环境几乎没有相似之处。我们研究如何制定各种参数允许趋光性,并提出了一个不同的,“病理”的行为的例子。
2017-07-06 q-bio.NC
Reward Maximisation through Discrete Active Inference
Imperial College London(帝国理工学院);University College London(伦敦大学学院);Laureate Institute for Brain Research(劳雷亚德脑研究所)
主动推理是一种概率框架,用于模拟生物和人工代理的行为,它源于最小化自由能的原则。近年来,这一框架已成功地应用于各种情况下,目标是最大限度地提高回报,提供可比的,有时更优越的性能,以替代方法。在本文中,我们阐明了奖励最大化和积极推理之间的联系,通过演示如何以及何时主动推理代理执行最佳奖励的行动。准确地说,我们展示了主动推理产生贝尔曼方程最佳解的条件--该公式是几种基于基于模型的强化学习和控制方法的基础。部分观察马尔可夫决策过程,标准的主动推理方案可以产生贝尔曼最优行动的规划视野1,但不超过。相比之下,最近开发的递归主动推理计划(复杂的推理)可以产生贝尔曼最优行动的任何有限的时间范围内。我们在分析的基础上讨论了主动推理和强化学习之间更广泛的关系。
2022-07-11 cs.AI math.OC q-bio.NC
The modularity of action and perception revisited using control theory and active inference
行动和感知可以独立研究的假设在大脑和心灵科学的理论,模型和实验方法中根深蒂固。在认知科学中,这一直是计算主义者和4E(生成、具身、扩展和嵌入)认知理论之间争论的中心点,前者拥抱“经典三明治”,模块化,心灵架构,后者积极否认这种分离。在这项工作中,我们认为,模块化的独立性的行动和感知强烈共鸣与控制理论的分离原则,而且这一原则提供了正式的标准,在其中评估的模块化的行动和感知的影响。我们还将看到,与环境的实时反馈,通常被认为是必要的4E思想的定义,然而,不是一个充分的条件,以避免“经典三明治”。最后,我们认为,在认知和脑科学,主动推理,一个新兴的框架,扩展了来自控制理论的生物系统的研究,而处置的分离原则,描述非模块化的行为模型强烈对齐4E理论的认知思想。
2018-06-07 q-bio.NC
Deriving time-averaged active inference from control principles
主动推理提供了一个原则性的行为解释,即随着时间的推移,最大限度地减少平均感官惊讶。迄今为止,主动推理在控制问题上的应用往往集中在有限时域或折扣惊喜问题上,尽管它是从自由能原理的无限时域、平均惊喜命令中推导出来的。在这里,我们从最优控制原理中推导出一个无限时域、平均惊喜的主动推理公式。我们的配方回到神经解剖学和神经生理学的主动推理的根源,正式重新连接主动推理的最佳反馈控制。我们的配方提供了一个统一的目标功能的感觉运动控制,并允许参考状态随时间而变化。
2022-08-22 cs.SY eess.SY q-bio.NC
A Concise Mathematical Description of Active Inference in Discrete Time
本文提出离散时间下主动推理的简明数学表述,含基础讲解、示例及附录数学细节,统一符号并关联权威参考,还提供兼容pymdp的Python实现代码。
2025-05-17 cs.LG q-bio.NC
Finding Similar Objects and Active Inference for Surprise in Numenta Neocortex Model
本文针对Numenta千脑系统提出发现对象相似性的算法,并基于自由能原理提出推断Shannon惊异原因的算法,以贝叶斯方式解决感官数据逆问题。
2025-06-11 q-bio.NC
pymdp: A Python library for active inference in discrete state spaces
Max Planck Institute of Animal Behavior(马克斯·普朗克动物行为研究所);Centre for the Advanced Study of Collective Behaviour(集体行为高级研究中心);University of Konstanz(康斯坦茨大学);VERSES Research Lab(VERSES研究实验室);University of Oxford(牛津大学);Imperial College London(帝国理工学院);Northeastern University(东北大学);University College London(伦敦大学学院);University of Sussex(萨塞克斯大学)
主动推理是对复杂系统中认知和行为的一种解释,它将行动、感知和学习结合在贝叶斯推理的理论框架下。主动推理在学术研究中的应用越来越多,特别是在试图模拟人类或动物行为的领域。虽然近年来,从主动推理文献中产生的一些代码已经用Python和Julia等开放源语言编写,但迄今为止,用于模拟主动推理代理的最流行的软件是SPM的DEM工具箱,这是一个最初为神经成像数据的统计分析和建模而开发的MATLAB库。对主动推理的兴趣日益增加,表现在数量上以及跨科学学科的应用多样化,因此需要通用的,广泛可用的和用户友好的代码,用于在开源科学计算语言(如Python)中模拟主动推理。我们在这里介绍的Python包pymdp(参见https://github.com/infer-actively/pymdp)代表了这个方向上的重要一步:即,我们提供了第一个开源包,用于使用部分可观察马尔可夫决策过程(POMDP)模拟主动推理。我们回顾了该软件包的结构,并解释了它的优势,如模块化设计和可定制性,同时提供了文本代码块,以演示如何使用它来轻松构建和运行主动推理过程。我们开发pymdp是为了增加主动推理框架的可访问性和曝光度,让具有不同学科背景的研究人员、工程师和开发人员使用。本着开源软件的精神,我们也希望它能在不断增长的活跃推理社区中激发新的创新、开发和协作。
2022-05-04 cs.AI cs.MS q-bio.NC
One person's modus ponens...: Comment on "The Markov blanket trick: On the scope of the free energy principle and active inference" by Raja and colleagues (2021)
在Raja及其同事(2021年)在《生命物理评论》中对“马尔可夫毯技巧:关于自由能原理和主动推理的范围”的评论中,我认为作者提出的论点是有效的;然而,我声称该论点包含一个有缺陷的前提,这破坏了他们的结论。此外,我认为,自目标文件发表以来,关于FEP的工作已经出现,对拉贾及其同事提出的问题做出了令人信服的回应。
2022-08-08 physics.bio-ph q-bio.NC
Object-based active inference
Radboud University(拉德堡德大学);Donders Institute for Brain, Cognition & Behavior(唐德斯脑、认知与行为研究所)
世界由物体组成:具有独立属性和动力的不同实体。为了让智能体与世界智能地交互,它们必须将感官输入转化为描述每个对象的绑定在一起的特征。这些基于对象的表示形成了规划行为的自然基础。主动推理(AIF)是一种有影响力的感知和行动的统一解释,但现有的AIF模型没有利用这一重要的归纳偏差。为了解决这个问题,我们引入了“基于对象的主动推理”(OBAI),将AIF与最近的基于深度对象的神经网络结合起来。OBAI表示不同的对象与单独的变分信念,并使用选择性注意路由输入到相应的对象插槽。对象表示被赋予独立的基于动作的动力学。动力学和生成模型是从简单环境(活动多dSprites)的经验中学习的。我们表明,OBAI学习正确分割的动作扰动对象从视频输入,并操纵这些对象向任意目标。
2022-09-02 cs.AI q-bio.NC
Belief-Based Maximum Occupancy Principle and Active Inference
Center for Brain and Cognition(脑与认知中心);Universitat Pompeu Fabra(庞培法布拉大学)
本研究将最大占用原则扩展至部分可观察环境,提出期望自由能的贝尔曼重构,通过信念状态值迭代实现离线计算,并在不确定食物源实验中比较发现MOP智能体在目标导向与探索间切换,而主动推断倾向单一食物源策略。
2026-10-01 cs.AI q-bio.NC
Perspective Latents as an Architectural Condition for Causal Emergence in Active Inference Agents
Active Inference Institute(主动推理研究所)
研究主动推理智能体中无奖励预测组织与信息理论特征的关系,通过特定架构智能体在无奖励环境切换协议中测试,确定\(g\)为与\(\Phi_r\)相关时间组织的架构位置,反对将\(\Phi_r\)作为学习整合直接指标。
2026-07-24 cs.LG q-bio.NC
Neural dynamics under active inference: plausibility and efficiency of information processing
主动推理是一个解释行为的规范框架下的自由能原则-一个理论的自我组织起源于神经科学。它指定神经元动力学状态估计的下降(变分)自由能-内部(生成)模型和感官观察之间的配合措施。自由能梯度是一种预测误差--可解释地编码在神经元群体的平均膜电位中。相反,状态的预期概率可以用神经元放电率来表示。我们表明,这是与当前的神经元动力学模型相一致,并通过合成合理的电生理反应建立表面有效性。然后,我们表明,这些神经元动力学近似自然梯度下降,一个著名的优化算法,从信息几何,以下的目标在信息空间中的最陡下降。我们比较了这两种方案中的信念更新的信息长度,这是一种在信息空间中行进的距离的度量,它在代谢成本方面具有直接的解释。我们发现,神经动力学下的主动推理是代谢效率,并建议在生物制剂的神经表征可能会演变的信息空间中的最陡下降接近点的最佳推理。
2021-01-31 q-bio.NC q-bio.PE
Deep active inference agents using Monte-Carlo methods
Emotech Labs(Emotech实验室);University College London(伦敦大学学院);University of Cambridge(剑桥大学)
主动推理是理解生物智能的贝叶斯框架。基本理论将感知和行动结合在一个单一的命令下:最小化自由能。然而,尽管它在解释智能的理论效用,计算实现已被限制在低维和理想化的情况。在本文中,我们提出了一种神经架构,用于构建在复杂的连续状态空间中使用多种形式的蒙特卡洛(MC)采样的深度主动推理代理。为此,我们介绍了一些技术,新颖的主动推理。其中包括:i)通过MC树搜索选择自由能量最优策略,ii)通过前馈“习惯”网络近似该最优策略分布,iii)使用MC退出预测未来参数置信更新,以及最后,iv)优化状态转换精度(注意力的高端形式)。我们的方法使代理有效地学习环境动态,同时保持任务性能,相对于奖励为基础的同行。我们在一个新的玩具环境中说明了这一点,基于dSprites数据集,并证明了主动推理代理自动创建易于建模状态转换的解纠缠表示。在更复杂的动物AI环境中,我们的代理(使用相同的神经架构)能够模拟未来的状态转换和动作(即,计划),以显示奖励导向的导航-尽管临时暂停的视觉输入。这些结果表明,深度主动推理-配备MC方法-提供了一个灵活的框架,以开发生物启发的智能代理,在机器学习和认知科学的应用。
2020-10-22 cs.AI q-bio.NC stat.ML
End-to-End Pixel-Based Deep Active Inference for Body Perception and Action
Technical University of Munich(慕尼黑工业大学);Donders Institute for Brain, Cognition and Behaviour(唐德斯脑、认知与行为研究所);Radboud University(拉德堡德大学)
我们提出了一种基于像素的深度主动推理算法(PixelAI),其灵感来自人体感知和动作。我们的算法将神经科学中的自由能原理(植根于变分推理)与深度卷积解码器相结合,以扩展算法,直接处理原始视觉输入,并提供在线自适应推理。我们的方法是通过研究身体感知和行动在一个模拟和一个真正的Nao机器人进行验证。结果表明,我们的方法允许机器人执行1)动态身体估计其手臂只使用单目摄像机图像和2)自主达到“想象”的手臂姿势在视觉空间。这表明,机器人和人体的感知和行动可以有效地解决看作是一个积极的推理问题的指导下进行感官输入。
2020-05-29 cs.AI cs.CV cs.LG
Integrating large language models and active inference to understand eye movements in reading and dyslexia
Institute of Cognitive Sciences and Technologies, National Research Council(认知科学与技术研究所,国家研究院)
本文提出一种结合大型语言模型与分层主动推理的计算模型,模拟阅读和眼动过程,揭示阅读障碍的适应不良预测机制。
2025-08-08 cs.CL q-bio.NC
Control flow in active inference systems
生命系统面临着环境的复杂性和有限的自由能源资源。在这些条件下的生存需要一个控制系统,可以激活,或部署,在特定的方式,可用的感知和行动资源。我们在这里表明,当系统被描述为执行由自由能原理驱动的主动推理时(因此可以被认为是贝叶斯预测误差最小化器),它们的控制流系统总是可以表示为张量网络(TN)。我们展示了如何TN作为控制系统可以implemented在量子拓扑神经网络的一般框架内,并讨论了这些结果的影响,在多个尺度上的生物系统建模。
2023-02-25 physics.bio-ph q-bio.NC quant-ph
Prior preferences in active inference agents: soft, hard, and goal shaping
Araya Inc.(Araya公司);School of Engineering and Informatics, University of Sussex(萨塞克斯大学工程与信息学院)
本文研究了主动推断代理中偏好分布的定义方式,探讨了硬/软目标和目标塑造对导航任务性能的影响。
2025-12-02 cs.AI q-bio.NC
A deep active inference model of the rubber-hand illusion
Department of Artificial Intelligence Donders Insitute for Brain, Cognition;Behaviour Montessorilaan 3, 6525 HR Nijmegen, the Netherlands
理解感知和行动如何处理感觉运动冲突,如橡胶手错觉(RHI),对于理解身体如何适应不确定的情况至关重要。最近的结果表明,在人类的RHI不仅产生的变化,在感知手臂的位置,但也会导致不自主的力量。在这里,我们描述了一个深度主动推理代理在虚拟环境中,我们受到的RHI,这是能够解释这些结果。我们表明,我们的模型,处理视觉高维输入,产生类似的感知和力量模式,在人类中发现的。
2020-12-22 cs.AI q-bio.NC
Sophisticated Inference
The Wellcome Centre for Human Neuroimaging(韦康比人类神经影像中心);UCL Queen Square Institute of Neurology(伦敦大学学院皇后广场神经学研究所);Imperial College London(伦敦帝国理工学院);University of Toronto(多伦多大学);Google Research(谷歌研究院);University of Amsterdam(阿姆斯特丹大学)
主动推理提供了感知行为的第一原则,从中可以得出特殊和重要的情况,例如,强化学习、主动学习、贝叶斯最优推理、贝叶斯最优设计等。主动推理通过将信息增益置于与奖励或价值相同的基础上,解决了与先前偏好相关的开发-探索困境。简而言之,主动推理以预期(变分)自由能的形式用(贝叶斯)信念的泛函取代价值函数。在本文中,我们考虑一种复杂的主动推理,使用递归形式的预期自由能。复杂性描述了一个智能体对信念的信念的程度。我们认为代理人的信念的反事实后果的行动的事态和信念的潜在状态。换句话说,我们从简单地考虑“如果我这样做会发生什么”的信念,转变为“如果我这样做会发生什么,我会相信什么”。自由能泛函的递归形式有效地实现了对未来动作和结果的深度树搜索。至关重要的是,这种搜索是在信念状态序列上进行的,而不是在状态本身上进行的。我们说明了这个计划的能力,使用数值模拟深决策问题。
2020-06-07 cs.AI q-bio.NC
What the flock knows that the birds do not: exploring the emergence of joint agency in multi-agent active inference
Institute of Cognitive Sciences and Technologies, National Research Council(认知科学与技术研究所,国家研究委员会)
本文通过主动推断模型探讨多智能体系统中集体知识和联合代理的涌现机制,揭示了信息耦合如何产生新的自主性与推断能力。
2026-01-29 cs.MA math.OC nlin.AO
Active Inference Tree Search in Large POMDPs
Institute of Cognitive Sciences and Technologies, National Research Council(国家研究委员会认知科学与技术研究所);Institute for High Performance Computing and Networking, National Research Council(国家研究委员会高性能计算与网络研究所);University College London(伦敦大学学院);VERSES AI Research Lab(VERSES人工智能研究实验室)
本文提出主动推断树搜索方法,结合神经科学与人工智能的规划理论,实现大规模POMDP问题的高效解决。
2024-12-10 cs.AI math.PR q-bio.NC
Neuroscience-inspired perception-action in robotics: applying active inference for state estimation, control and self-perception
Donders Institute for Brain, Cognition and Behaviour(唐德斯脑、认知与行为研究所);Radboud University(拉德堡德大学)
与机器人不同,人类通过与世界互动来学习、适应和感知自己的身体。发现大脑如何代表身体并产生动作对机器人技术和人工智能至关重要。在这里,我们将讨论神经科学的发现如何为改进机器人技术中的当前估计和控制算法提供机会。特别是,主动推理,一种大脑如何抵抗自然紊乱倾向的数学公式,提供了一个统一的配方,可能解决机器人技术中的一些主要挑战,如适应性,鲁棒性,灵活性,泛化和安全交互。本文总结了在真实体现平台上开发这种计算模型的一些实验和经验教训,即,人形机器人和工业机器人。最后,我们展示了我们仍然面临的限制和挑战,以赋予机器人类似人类的感知
2021-05-10 cs.AI cs.RO q-bio.NC
The Free Energy Principle for Perception and Action: A Deep Learning Perspective
Ghent University(根特大学);imec(校际微电子中心)
自由能原理及其必然的主动推理构成了一种生物启发理论,该理论假设生物制剂的行为保持在世界的一组受限的优选状态中,即,它们最大限度地减少了自由能。根据这一原则,生物代理学习世界的生成模型,并计划未来的行动,以保持代理处于满足其偏好的稳态。这个框架适合于在硅片上实现,因为它包含了使其在计算上负担得起的重要方面,例如变分推理和摊销规划。在这项工作中,我们调查的工具,深度学习设计和实现人工智能体的基础上主动推理,提出了一个面向深度学习的介绍自由能原则,调查工作,相关的机器学习和主动推理领域,并讨论了设计的选择,在实施过程中所涉及的。本手稿探讨了主动推理框架的新视角,将其理论方面与更实用的事务相结合,为主动推理新手提供了实用指南,并为希望研究自由能原理实现的深度学习实践者提供了起点。
2022-07-13 cs.AI cs.LG q-bio.NC
Active inference and artificial reasoning
University College London(伦敦大学学院);VERSES;ELLIS Institute Tübingen(蒂宾根ELLIS研究所);University of Sussex(萨塞克斯大学);Max Planck Institute of Animal Behavior(马克斯·普朗克动物行为研究所);University of Oxford(牛津大学)
本文提出了一种基于信息增益的主动推断方法,用于高效学习世界模型结构,并通过三球范式展示其在人工推理中的应用。
2025-12-24 physics.data-an q-bio.NC stat.ML