使用后继表示的分层主动推理
机器学习
2026-04-20 v1 人工智能
计算机视觉与模式识别
摘要
主动推理是一种受神经科学启发、基于自由能原理（FEP）推断动作的模型，已被提出作为理解大脑感知、动作和学习的统一框架。主动推理先前已被用于建模导航和规划等生态学上重要的任务，但将其扩展到解决现实环境中复杂的大规模问题仍然是一个挑战。受大脑中存在多尺度分层表征的启发，我们提出了一种基于分层主动推理的动作规划模型。我们的方法结合了环境的分层模型与用于高效规划的后继表示。我们展示的结果证明了：（1）如何使用低层后继表示来学习高层抽象状态；（2）如何基于低层主动推理的规划来引导和学习高层抽象动作；（3）这些学习到的高层抽象状态和动作如何促进高效规划。我们在多个规划和强化学习（RL）问题上展示了该方法的性能，包括著名的四房间任务变体、基于钥匙的导航任务、部分可观测规划问题、Mountain Car 问题以及 PointMaze（一系列具有连续状态和动作空间的导航任务）。据我们所知，我们的结果代表了在基于 FEP 的脑功能理论中，首次将学习到的分层状态和动作抽象应用于主动推理。
引用
@article{arxiv.2604.15679,
title = {Hierarchical Active Inference using Successor Representations},
author = {Prashant Rangarajan and Rajesh P. N. Rao},
journal= {arXiv preprint arXiv:2604.15679},
year = {2026}
}
备注
Accepted for publication in Neural Computation (MIT Press). 82 pages, 29 figures