基于消息传递的预期自由能最小化实现
人工智能
2026-03-03 v3
摘要
我们提出了一种基于因子图的方法，用于预期自由能（Expected Free Energy, EFE）最小化，基于arXiv:2504.14898中引入的理论。通过将EFE最小化重新表述为带有认知先验的变分自由能最小化，我们将组合优化问题转化为通过标准变分技术可求解的推断问题。将我们的消息传递方法应用于分解状态空间模型，可实现高效的策略推断。我们在具有认知不确定性的环境中对方法进行评估：一个随机网格世界和一个部分可观测的Minigrid任务。使用我们方法的智能体在这些任务中 consistently 优于常规KL控制智能体，表现出更稳健的规划和更高效的探索。 在随机网格世界环境中，EFE最小化智能体避免危险路径，而在部分可观测的Minigrid设置中，它们进行更系统的信心寻求。该方法桥接了主动推断理论与实际实现，提供了认知先验在人工智能体中高效性的实证证据。
引用
@article{arxiv.2508.02197,
title = {A Message Passing Realization of Expected Free Energy Minimization},
author = {Wouter W. L. Nuijten and Mykola Lukashchuk and Thijs van de Laar and Bert de Vries},
journal= {arXiv preprint arXiv:2508.02197},
year = {2026}
}