将稳态与强化学习联系起来：动机行为的内稳态控制
神经元与认知
2025-07-08 v1
摘要
对于生物体而言，生存依赖于通过动机行为对内部生理状态的有效调节。在此视角中，我们提出稳态调节强化学习(HRRL)作为一个框架，用以描述通过习得的预测控制策略来优化内部状态的生物体，该框架整合了生物学原理与计算学习。我们证明，HRRL 内在地产生了多种行为，如风险规避、预期调节和适应性运动，与观察到的生物学现象一致。将其扩展到深度强化学习，可实现自主探索、层次化行为以及潜在的现实世界机器人应用。我们进一步论证，HRRL 为理解动机、学习和决策提供了一个生物学上合理的基础，对人工智能、神经科学以及理解精神疾病的病因具有广泛意义，最终将增进我们对复杂环境中适应性行为的理解。
引用
@article{arxiv.2507.04998,
title = {Linking Homeostasis to Reinforcement Learning: Internal State Control of Motivated Behavior},
author = {Naoto Yoshida and Henning Sprekeler and Boris Gutkin},
journal= {arXiv preprint arXiv:2507.04998},
year = {2025}
}