Active inference and artificial reasoning

doi:10.1038/s41467-026-77209-5

Active inference and artificial reasoning

2026-09-08

0

OA

AI

Christopher L. Buckley

DOI：10.1038/s41467-026-77209-5

原文链接

查看原文

摘要

En 中文

本文考虑了对能够提供关于底层世界模型结构最大信息量的结果进行采样。这种泛化为结构学习提供了一种有原则的方法，并在一组合理的生成模型或假设下，特别是规则发现。在主动推理中，策略（即行动的组合）是基于其预期自由能进行选择的，预期自由能由预期信息增益和价值组成。信息增益对应于有和无行动后果情况下的预测后验之间的Kullback-Leibler散度。模型的后验可以通过基于模型参数的累积后验信念的贝叶斯模型缩减来快速高效地评估。由此产生的信息增益可以用于选择能够区分不同模型的行动，体现了最优实验设计的思想。我们使用部分观测的离散模型来说明这种主动选择或推理；具体来说，使用之前用于通过（合成）内省或睡眠来描述人工洞察力和“啊哈”时刻的三球范式。我们关注的是通过寻求能够解决关于生成这些结果的世界模型的最大不确定性的结果所带来的样本效率。人类在从稀疏数据中学习方面表现出惊人的能力，部分原因在于他们选择性地采样关于其环境规则的最为信息丰富的信息。在此，作者证明了关于个体内部模型结构的确定性可以用来指导行为，从而促进隐藏规则的快速发现。

Active inference and artificial reasoning

摘要

AI总结

期刊

机构