机会约束主动推断
机器学习
2021-07-28 v2 机器学习
神经与进化计算
摘要
主动推断 (ActInf) 是一种新兴理论，通过最小化贝叶斯惊奇的自由能界来解释生物主体的感知与行动。目标导向行为是通过在底层生成模型上引入先验信念引发的。与约束随机变量所有实现的先验信念不同，我们提出一种通过机会约束的替代方法，其允许（通常较小的）约束违背概率，并展示此类约束如何用作 ActInf 中目标导向行为的内在驱动。我们阐明机会约束 ActInf 如何权衡生成模型上所有施加的（先验）约束，例如允许在鲁棒控制与经验机会约束违背之间进行折衷。其次，我们在消息传递框架内解释所提出的解决方案。有趣的是，消息传递解释不仅与 ActInf 背景相关，还提供了一种可解释图模型上机会约束的通用方法。机会约束消息更新随后可与其他预先推导的消息更新规则轻松结合，无需定制推导。所提出的机会约束消息传递框架因而加速了可工作模型的搜索，并可用于补充生成神经模型上的消息传递公式。
引用
@article{arxiv.2102.08792,
title = {Chance-Constrained Active Inference},
author = {Thijs van de Laar and Ismail Senoz and Ayça Özçelikkale and Henk Wymeersch},
journal= {arXiv preprint arXiv:2102.08792},
year = {2021}
}