PyTorchKR Papers

최신 논문

총 10편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.24876v1cs.AI

사회적 능동 추론에서의 파트너별 정서적 정밀도

Partner-Specific Affective Precision in Social Active Inference

다중 에이전트 사회적 맥락에서는 관계마다 모델 신뢰성이 달라진다. 타인이 무엇을 할지 추론하는 것을 넘어, 에이전트는 그 추론이 각 관계에 대해 정책 선택을 얼마나 확신 있게 이끌어야 하는지 보정해야 한다. 한 파트너에 대해서는 잘 검증된 모델을, 다른 파트너에 대해서는 취약한 모델을, 또 다른 파트너에 대해서는 수정 중인 모델을 유지할 수 있으며, 이를 단일 신뢰도 추정으로 묶으면 정책 선택에 관련된 정보가 사라진다. 따라서 우리는 정서적 정밀도를 현재 파트너 모델에 대한 신뢰의 관계 특이적 메타인지적 추정으로 형식화한다. 각 파트너의 행동 증거는 국소 신뢰도 추정을 갱신하고, 이는 선택 시 정책 정밀도를 조절하여 그 신념의 내용을 바꾸기보다는 정책에서 현재 신념이 얼마나 강하게 표현되는지를 조절한다. 다중 파트너 등급 신뢰 게임에서의 시뮬레이션은 파트너 국소 정서적 정밀도가 행동에 주로 파트너 상태 추론의 직접적 개선보다는 정책 확약을 통해 영향을 미침을 보여준다. 이 메커니즘이 실현된 보상이 아니라 파트너 반응의 예측 가능성을 추적하기 때문에, 더 큰 신뢰는 반드시 더 높은 보상을 낳지 않으면서도 더 날카로운 정책 확약을 만든다. 사회적 행동의 급격한 변화 아래에서는 이전에 신뢰할 만했던 예측에서 축적된 신뢰가 관계가 바뀐 뒤에도 행동적으로 활성 상태로 남을 수 있어, 신뢰 수정이 사회적 변화 뒤처질 수 있음을 보여준다. 마지막으로 정밀도 이득과 사전분포를 달리하면 서로 다른 신뢰 보정 역학이 나타나, 신뢰의 축적과 수정이 모델 매개변수에 어떻게 의존하는지를 보여준다. 종합하면, 이러한 결과는 관계 특이적 정서적 정밀도가 사회적 예측과 사회적 정책 확약을 어떻게 구분할 수 있는지를 보여준다.

arXiv:2607.20708v1cs.LG

능동 추론 에이전트에서 인과적 창발을 위한 아키텍처적 조건으로서의 관점 잠재변수

Perspective Latents as an Architectural Condition for Causal Emergence in Active Inference Agents

최근 연구들은 통합 정보 분해(Integrated Information Decomposition)를 통해 강화학습 에이전트의 인과적 창발을 측정하며, $Φ_r$이 학습과 함께 증가하고 보상 개선을 추적한다고 보고한다. 능동 추론(active inference)의 경우, 이는 보상 없는 예측적 조직화가 이러한 정보 이론적 특성과 어떻게 관련되는지에 대한 질문을 제기한다. 본 연구는 아키텍처가 빠른 지각(perception) 잠재변수 $z$와 느린 전역(global) 잠재변수 $g$를 분리하는 능동 추론 에이전트 내에서 이를 검증한다. 여기서 $g$는 예측 오류에 의해 구동되며 정책 그radient(policy gradient)와 구조적으로 분리(decoupled)되어 있다. 보상 없는 환경 체제 전환(regime-switching) 프로토콜에서 $Φ_r$은 $g$에 집중되며, 그 총량 크기는 대체로 아키텍처적이고 학습과 함께 감소한다. 학습의 실질적 효과는 원자-구성(atom-compositional) 수준에서만 읽을 수 있다: 분리(decoupling)는 부호가 음에서 양으로 뒤집히고 환경 변화 하에서 체제 불변(regime-invariant)이 되며, 하향 인과(downward causation)가 체제 의존적 조정을 담당한다. 이 결과들은 $g$를 능동 추론 에이전트에서 $Φ_r$과 관련된 시간적 조직화의 아키텍처적 위치(locus)로 규정하며, 스칼라 $Φ_r$을 학습된 통합의 직접적 지표로 해석하는 것에 반대한다.

arXiv:2607.19518v1cs.AI

인식론적 사전분포로부터의 정교한 정책

Sophisticated Policies from Epistemic Priors

정교한 추론(Sophisticated Inference)은 재귀적 신념 모델링 및 트리 탐색과 자주 연관되는 능동 추론(active inference)의 변형이다. 우리는 그 핵심 계산적 역할이 더 단순하다고 주장한다. 계획 지평(planning horizon) 내에서, 미래 행동이 미래 상태와 관측에 의존할 수 있게 함으로써 능동 추론을 폐루프(closed-loop)로 만든다. 이 폐루프 구조는 인식론적 사전분포(epistemic-prior) 변분 자유 에너지(variational free energy) 프레임워크에서 표현할 수 있다. 인식론적 사전분포는 능동 추론 목표함수를 제공하고, 미래 상태와 행동에 대한 결합 사후분포(joint posterior)는 상태 의존적(state-contingent) 제어 구조를 제공한다. 우리는 인식론적 유인(epistemic incentive)과 내부 지평(inner-horizon) 폐루프 제어를 분리하도록 설계된 확률적 벤치마크인 Reactivity Maze에서 이 분해를 평가한다. 비교에는 동일한 상태-행동 사후분포군을 사용하는 세 가지 변분 목표함수, 행동-상태 분해(action-state factorized) 능동 추론 목표함수, 정교한 추론, 표준 기대 자유 에너지(Expected Free Energy) 계획이 포함된다. 결과는 어느 한 요소도 그 자체로는 충분하지 않음을 보여준다. 인식론적 요소가 없는 방법은 정보를 탐색하지 않으며, 미래 행동이 미래 상태에 의존하는 것을 막는 방법은 정보를 신뢰할 수 있는 목표 달성(goal-reaching)으로 전환할 수 없다. 대조적으로, 정교한 추론과 완전 결합(full-joint) 인식론적 사전분포 능동 추론 모두 인식론적 추동(epistemic drive)과 폐루프 추론을 결합하여 환경을 해결한다. 이 결과는 정교한 추론과 관련된 이점이 트리 탐색 자체에 특화될 필요가 없음을 보여준다. 그 이점은 능동 추론의 폐루프 형태에서 비롯되며, 사후분포가 미래 행동을 미래 상태에 의존하게 유지할 때 이 형태는 인식론적 사전분포 변분 추론에서 표현될 수 있다.

arXiv:2604.09026v3cs.MA

능동 추론을 통한 사회적 현실 구성: 순응과 창의성의 변증법적 관계 모델링

Social Reality Construction via Active Inference: Modeling the Dialectic of Conformity and Creativity

능동 추론(active inference)에 기반한 다중 에이전트 시뮬레이션으로 구조화된 사회 네트워크 위에서 사회적 순응과 창의적 이탈의 변증법적 상호작용을 형식화한다. 각 에이전트가 내부 생성 모델을 유지하며 이웃과 소통해 사회적 사전을 형성하고 새로운 관측을 창출·선택적으로 기억하는 과정에서, 정보적으로 응집된 사회 집단이 내인적으로 출현하고 사회적 표상과 관측 분포가 순환적으로 상호 구성되며, 창작물은 지역적 상호작용을 통해 문화적 틈새를 이루는 선택적·이질적 전파 패턴을 보인다.

arXiv:2607.13612v1cs.LG

SIGReg 목적함수를 변분 자유 에너지로: JEPA 월드 모델에 대한 이론적 능동 추론 해석

The SIGReg Objective as Variational Free Energy: A Theoretical Active-Inference Account of JEPA World Models

공동 임베딩 예측 아키텍처(JEPA)는 잠재 월드 모델의 주류 설계이지만, 보통은 규범적 원리가 아니라 실증적 성능으로 정당화된다. 우리는 붕괴 방지 정규화기(anti-collapse regulariser) 선택이 JEPA의 학습 목표, 즉 예측 손실과 가중 임베딩 정규화기의 합이 유효한 능동 추론(AIF) 변분 자유 에너지인지를 결정한다는 것을 보인다. 우리는 네 가지 비대조(non-contrastive) 정규화기(VICReg, LogDet, PairDist, SIGReg)를 사전 오보정(prior-miscalibration) 간극으로 색인된 엔트로피 추정기 계층으로 정리하고, 간극의 부호, 즉 추정기가 잠재 엔트로피를 위에서 또는 아래에서 한정(bound)하는지 여부가 AIF 놀람(surprise) 상한이 유지되는지를 결정한다는 것을 보인다: VICReg과 LogDet은 불안전한 상한, PairDist는 안전한 하한이며, SIGReg은 간극을 제거한다. 이어서 대응 정리(correspondence theorem)를 증명한다: 표준 상수 노이즈 인코더 모델과 성공적인 SIGReg 적용(등방성 가우시안 임베딩) 아래에서 간극은 사라지고, 목표함수는 정확한 정보 병목(information bottleneck)이 되며, 놀람 상한은 보존되고, 잠재 목표 비용(latent goal cost)은 AIF 실용적 가치(pragmatic value)의 정확한 대리(proxy)가 된다. 반면 VICReg은 환원 불가능한 2차 이방성(anisotropy) 항을 남긴다. 우리는 대응을 다단계 기대 자유 에너지(expected free energy), 앙상블 인식론적 가치(epistemic value), 학습된 정책(le learned-policy) 체제로 확장하고, 현재 어떤 JEPA 월드 모델도 계산하지 않는 유일한 AIF 항을 밝힌다: 미래 상태 커버리지(future-state coverage) 신호인 상태-인식론적 가치(state-epistemic value). 예측은 정도의 차이가 아니라 종류의 차이이며, 여기서는 별도 연구에서의 실증적 검증을 위해 남겨 둔 이론적 함의로 기술한다; 완전한 증명은 부록 A에 있고, 모든 결과의 대수 핵심은 Lean 4(부록 D)에서 기계 검증되었다.

arXiv:2606.04935v4cs.AI

What Type of Inference is Active Inference?

Active inference casts decision-making as inference, with the Expected Free Energy (EFE) unifying goal-directed and information-seeking behavior. Recent work showed that EFE minimization can be written as Variational Free Energy (VFE) minimization on a generative model augmented with epistemic priors. We prove that the VFE of the augmented model can be rewritten as the VFE of the predictive model plus explicit entropy-correction terms, making the EFE contribution transparent. We then show that proper EFE-based planning requires combining these epistemic corrections with a planning correction that turns marginal inference into policy optimization, yielding a full variational characterization of EFE-based planning. This clarifies which corrections are needed for cross-entropy planning and for full EFE-based planning. The same entropy-corrected formulation leads to a detailed message-passing scheme for EFE-based planning together with simpler ablations. Experiments on three grid-world environments show that full EFE-based planning outperforms ablations that omit either the planning correction or the epistemic corrections.

arXiv:2606.23122v1cs.AI

시간의 문제: 행위성의 일반 이론을 향하여

A Matter of Time: Towards a General Theory of Agency

행위성(agency)은 철학, 생물학, 인지과학 연구에서 물질적 조직으로부터 어떻게 발생하는지에 대한 명확한 설명 없이 자주 언급된다. 이 논문은 시간 매개변수화된 (F, A)-시스템을 기반으로, 관계 생물학(relational biology), 물리적 생물기호학(physical biosemiotics), 과정 존재론(process ontology)에 근거한 행위성의 등급화된 조직론을 발전시킨다. 우리는 자기지시적 폐쇄(self-referential closure)가 시간 밖에서는 적절히 개념화될 수 없다고 주장한다: 의미론적으로 닫힌 조직의 구성적 과정들이 각기 다른 특성적 시간 척도와 연관되면, 그 조직은 비동기적 의존 구조로 전개되며, 이는 형식적으로 역사 의존적이고 수정 가능한 비동기 동적 베이지안 네트워크(Asynchronous Dynamic Bayesian Network)로 재기술될 수 있다. 이 전환은 자율성(autonomy), 목표 지향성(goal-directedness), 행위성, 개방성(open-endedness) 사이의 원칙적 구분을 가능하게 한다. 자율성은 물질적 개방성 하에서 효율 인과(efficient causation)에 대한 불안정한 폐쇄로부터 발생하고, 목표 지향성은 생존 가능성을 지지하는 조직의 유지로부터 발생한다. 행위성은 그러한 조직이 가능한 미래들에 비추어 유기체-환경 결합을 선택적으로 조절하는 내인성 예측적 구조(endogenous anticipatory structure)를 획득할 때 나타난다. 개방성은 이 예측적 조직이 자신의 미래 가능성 공간을 재구성할 수 있을 때 시작된다. 우리의 프레임워크는 로젠식 예측(Rosennean anticipation)과 조직적 폐쇄(organizational closure)를 화해시키고, 마르코프 블랭킷(Markov blankets)과 능동 추론(active inference)을 제1원리가 아닌 파생적 형식적 재기술로 제한하며, 계산적 인액티비즘(computational enactivism)을 비프리스턴식(non-Fristonian) 용어로 재해석한다. 약화된 시간화 조직들을 도출함으로써, 우리의 기여는 원시 행위성을 지닌 화학 시스템에서 완전히 의미론적으로 닫힌 에이전트에 이르는 위계를 개괄하며, 다세포 생물, 합성 생명체, 신경과학에 대한 함의를 제시한다.

arXiv:2606.22813v1cs.AI

물리 AI 에이전트의 테스트 타임 스케일링 법칙으로서의 능동 추론

Active Inference as the Test-Time Scaling Law for Physical AI Agents

본 논문에서는 물리 인공지능(AI) 에이전트를 위한 새로운 테스트 타임 스케일링 법칙을 제안한다. 이 스케일링 법칙은 물리 AI 에이전트가 자신의 세계 모델(world model)로 추론하여 테스트 타임에 예상치 못한 시나리오에서 일반화할 수 있게 한다. 도출된 스케일링 법칙은 능동 추론(active inference)의 제1원리에 기반하며, 이는 에이전트에게 실제 세계에서 생존한다는 일반적 목표를 부여하고, 구체적인 과제 목표는 이 아래에 포괄된다. 능동 추론은 에이전트가 학습 분포 밖의 예상치 못한 상황을 마주할 때 발생하는 예측 오류를 해결하는 추론을 제공함으로써 이를 달성하며, 비정상(non-stationary) 환경에서의 일반화를 가능하게 한다. 제안된 스케일링 법칙은 테스트 타임에 이러한 추론으로 에이전트의 정책(policy)을 동적으로 갱신함으로써 이를 포착한다. 이 정책 갱신은 소프트 베이지안 추론 과정으로 모델링되며, 허용 가능한 정책 하에서 기대 예측 오류를 줄이는 추론을 가능도(likelihood)로 사용하여 정책에 대한 믿음(belief)을 갱신한다. 결과적 사후 정책은 생물학적 해석을 허용하며, 테스트 타임에 뇌의 기저핵(basal ganglia)과 전전두엽 피질(prefrontal cortex)을 동원하는 스케일링 메커니즘을 복원한다. 해석적으로 다루기 어려운 이 문제를 풀기 위해, 자유 에너지(free energy) 상계를 최소화하는 변분 추론(variational inference) 해법을 개발한다. 이 해법은 테스트 타임에 해결된 새로운 사례를 정책과 세계 모델 모두에서 강화함으로써 학습을 넘어선 학습을 가능하게 하도록 확장된다. 모델 크기와 학습 데이터에 의해 제한되는 기존 스케일링 법칙과 달리, 도출된 해법은 물리 AI 에이전트의 연속적인 실세계 경험에 따라 스케일링된다. 자율 주행 과제에 대한 시뮬레이션 결과는 제안된 해법이 모델-프리 Q-학습 및 모델-기반 베이지안 강화학습을 능가하며, 예상치 못한 시나리오에 대한 강건한 일반화를 달성하면서 추론 효율을 36% 이상 개선함을 보여준다.

arXiv:2606.20658v1cs.AI

변분 추론으로서의 기대 자유 에너지 기반 계획

Expected Free Energy-based Planning as Variational Inference

불확실성 하에서의 계획은 에이전트가 목표 달성과 정보 수집 사이의 균형을 맞출 것을 요구한다. 능동 추론(active inference)은 도구적(instrumental) 목표와 인식론적(epistemic) 목표를 통합하는 비용 함수인 기대 자유 에너지(Expected Free Energy, EFE)를 통해 이를 다룬다. 그러나 기존 EFE 기반 방법들은 일반적으로 확장하거나 분석하기 어려운 특화된 최적화 절차를 사용한다. 본 논문에서는 EFE 기반 계획이 인식론적 사전분포가 추가된 생성 모델 위에서의 변분 자유 에너지(Variational Free Energy) 최소화로 공식화될 수 있음을 보인다. 주요 결과는 적절히 선택된 사전분포로 변분 자유 에너지 함수를 최소화하면 기대 계획 비용(EFE)과 복잡도 항으로 분해됨을 보여준다. 이 공식화는 계획을 지각과 학습을 지배하는 동일한 추론 과정으로 본함으로써 자유 에너지 원리(Free Energy Principle)와의 이론적 일관성을 강화한다. 우리는 점진적으로 복잡도가 증가하는 세 가지 환경에서 접근법을 검증한다: 결정론적 T-maze, 확률적 Reactivity Maze, 부분 관찰 가능 MiniGrid DoorKey-8x8 환경. 실험은 인식론적 사전분포가 정보 탐색 행동을 유도하고, 변분 공식화가 확률적 전이 하에서 계획 기반 방법보다 우수한 정책 기반 추론을 산출하며, 시간적 인수분해가 기존 표 형식 능동 추론 방법이 작동할 수 없는 환경으로의 확장성을 가능하게 함을 보여준다.

arXiv:2606.10376v3cs.AI

능동적 추론을 통한 개인 맞춤형 암 치료를 위한 신념 공간 제어

Belief-Space Control for Personalized Cancer Treatment via Active Inference

부분 관측 가능성, 잠재적 환자 이질성, 의학적 측정 예산 제약을 갖는 암 치료를 능동적 추론(active inference) 기반 신념 공간 계획 문제로 모델링하고, 치료가 환자 천이 역학을 영구적으로 바꾼다는 점을 반영해 목표 지향 제어와 정보 획득을 통합하는 예상 자유 에너지 목적 함수를 제안했다. AACR Project GENIE Biopharma Collaborative 임상 데이터 적용 결과, 실제 측정·치료 제약 조건에서 환자 분류와 높은 치료 효능을 동시에 달성하고 수명 연장 효과를 보였다.