PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

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.