多模态与多因子分支时间主动推断

主动推断（active inference）是一种用于建模大脑的最先进框架，可解释诸如习惯形成、多巴胺释放与好奇心等广泛机制。近来，基于蒙特卡洛树搜索的两种分支时间主动推断（BTAI）版本被提出，以处理在计算至时间视界的所有可能策略上的先验时所出现的指数级（空间与时间）复杂度。然而，这两种BTAI版本仍受制于关于所建模观测与潜变量数量的指数级复杂度。在本文中，我们通过首先允许建模多个观测（每个观测拥有其自身的似然映射）来解决此限制。类似地，我们允许每个潜状态拥有其自身的转移映射。推断算法随后利用似然与转移映射的因子分解来加速后验计算。这两个优化在dSprites环境中测试，其中使用dSprites数据集的元数据而非dSprites图像作为模型输入。在该任务上，$BTAI_{VMP}$（Champion et al., 2022b,a）能在5.1秒内解决96.9%的任务，$BTAI_{BF}$（Champion et al., 2021a）能在17.5秒内解决98.6%的任务。我们的新方法（$BTAI_{3MF}$）以仅2.559秒完全（100%）解决任务，优于其两个前身。最后，$BTAI_{3MF}$已实现一个灵活且易用（python）的包，我们开发了图形用户界面以检视模型的信念、规划过程与行为。