一种内隐与外显视觉注意的主动推理模型

对于处理复杂、高维感官输入的智能体而言，能够选择性地关注相关刺激同时过滤掉干扰信息至关重要。本文通过主动推理框架引入了一个内隐与外显视觉注意模型，利用感官精度的动态优化来最小化自由能。该模型根据当前的环境信念和感官输入来确定视觉感官精度，从而影响内隐和外显两种模态下的注意力分配。为了测试模型的有效性，我们分析了其在 Posner 线索任务和一个使用二维（2D）视觉数据的简单目标聚焦任务中的行为。通过测量反应时间来研究外源性注意与内源性注意以及有效线索与无效线索之间的相互作用。结果表明，与内源性和无效线索相比，外源性和有效线索通常导致更快的反应时间。此外，该模型表现出类似于返回抑制的行为，即在特定的线索-目标刺激呈现异步间隔后，先前注意过的位置会受到抑制。最后，我们研究了外显注意的不同方面，并表明非自主的、反射性的眼跳比有意的眼跳发生得更快，但代价是适应性降低。