从像素到规划:无尺度的积极推断
Karl Friston1,2, Conor Heins2, Tim Verbelen2
1Queen Square Institute of Neurology, University College London, London, United Kingdom.
Frontiers in network physiology
|July 3, 2025
概括
本研究介绍了动态系统的重新规范生成模型 (RGM). 这些模型学习空间和时间的组合性,使图像分类到游戏学习的应用程序成为可能.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 计算神经科学是一种神经科学.
背景情况:
- 生成模型对于理解和预测动态系统至关重要.
- 部分观察马尔科夫决策过程 (POMDP) 是一个标准框架,但在建模复杂的时间依赖性方面可能受到限制.
- 现有的模型往往在空间和时间的组成性上扎.
研究的目的:
- 为生成建模引入一种新的离散状态空间模型,将POMDPs概括起来.
- 开发能够在空间和时间上学习组合性的重规范生成模型 (RGM).
- 通过学习和推理的各种应用来证明RGM的多功能性.
主要方法:
- 开发了一个离散状态空间模型,将路径作为潜在变量.
- 使用深度或等级形式,灵感来自重新规范化群体.
- 应用自动发现,学习和部署RGM的变化原理.
主要成果:
- 已经证明RGM是深层卷积神经网络和连续状态空间模型的离散同类.
- 这些模型展示了尺度不变性,并学习了空间和时间的构成性,模拟路径和轨道.
- 在图像分类,电影和音乐生成以及学习Atari类游戏方面展示了成功的应用.
结论:
- 重规范生成模型为动态设置中的生成建模提供了一个强大的新框架.
- RGM提供了一种原则性的方法来学习从数据中分层的组成表示.
- 展示的应用突显了RGM在各种领域的广泛适用性和有效性.
更多相关视频
11:28Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging
Published on: June 30, 2018
11.8K
08:05Measuring Statistical Learning Across Modalities and Domains in School-Aged Children Via an Online Platform and Neuroimaging Techniques
Published on: June 30, 2020
7.7K
