好奇心即知识：基于主动推断的自洽学习与无后悔优化
机器学习
2026-02-06 v1
摘要
主动推断 (AIF) 通过最小化预期自由能 (EFE) 统一探索与开发，利用好奇心系数在认知价值（信息增益）和实用价值（任务性能）之间进行权衡。然而，尚不清楚这种权衡何时能同时实现连贯的学习和高效决策：足够不足的好奇心会导致盲目开发，阻止不确定性解决；而过度的好奇心则会导致不必要的探索和后悔。我们首次为 EFE 最小化智能体提供了理论保证，表明仅一个要求——充分的好奇心——同时确保自洽学习（贝叶斯后验一致性）和无后悔优化（累积后悔有界）。我们的分析表明，这一机制取决于初始不确定性、可识别性和目标一致性，从而将 AIF 连接到经典贝叶斯实验设计和贝叶斯优化于一个理论框架中。我们进一步将这些理论转化为实际的设计指南，用于微调混合学习-优化问题中的认知-实用权衡，通过真实世界的实验进行验证。
引用
@article{arxiv.2602.06029,
title = {Curiosity is Knowledge: Self-Consistent Learning and No-Regret Optimization with Active Inference},
author = {Yingke Li and Anjali Parashar and Enlu Zhou and Chuchu Fan},
journal= {arXiv preprint arXiv:2602.06029},
year = {2026}
}