大型POMDP中的主动推断树搜索
人工智能
2026-01-30 v6 概率论
神经元与认知
摘要
高效的前瞻规划能力对于生物体和人工系统都至关重要。基于模型的规划与预期在认知神经科学和人工智能（AI）中得到了广泛研究，但视角不同——且各自关注难以调和的不同需求（生物真实性与可扩展性）。本文提出一种在POMDP中规划的新方法——主动推断树搜索（AcT）——它结合了神经科学中主流规划理论（主动推断）的规范性与生物真实性，以及AI中树搜索方法的可扩展性。这一统一增强了两种方法。一方面，树搜索使基于生物学基础、第一性原理的主动推断方法能够应用于大规模问题。另一方面，主动推断为探索-利用困境提供了原则性解决方案，而该困境在树搜索方法中常通过启发式方法处理。我们的仿真表明，AcT能成功导航对基于采样的方法具有挑战性的二叉树、需要自适应探索的问题，以及大型POMDP问题“RockSample”——其中AcT复现了最先进的POMDP解。此外，我们展示了如何使用AcT来模拟解决大型规划问题的人类和其它动物的神经生理响应（例如在海马体与前额叶皮层）。这些数值分析表明，主动树搜索是神经科学与AI规划理论的原则性实现，兼具生物真实性与可扩展性。
引用
@article{arxiv.2103.13860,
title = {Active Inference Tree Search in Large POMDPs},
author = {Domenico Maisto and Francesco Gregoretti and Karl Friston and Giovanni Pezzulo},
journal= {arXiv preprint arXiv:2103.13860},
year = {2026}
}
备注
47 pages, 9 figures, 1 Appendix of two sections with pseudocodes and one encoding example, submitted preprint