Decodifica del comportamento collettivo come l’inferenza bayesiana attiva alimenta i movimenti naturali dei gruppi di animali

Decodifica del comportamento collettivo tramite inferenza bayesiana attiva per i movimenti naturali dei gruppi animali

Il fenomeno del movimento collettivo negli animali osservato in attività come l’accampanamento delle locuste, lo scolaro dei pesci, il volo degli uccelli e il pascolo degli ungulati è ampiamente studiato a causa della sua impressionante proprietà visiva e la sua emergenza da semplici interazioni tra i membri del gruppo. Ricerche recenti si concentrano su approcci basati su agenti più biologicamente motivati che mirano a modellare specifici circuiti comportamentali e regole decisionali che governano i comportamenti individuali. I ricercatori hanno progettato un modello basato sull’inferenza attiva che collega gli aspetti teorici e biologici del comportamento umano.

Questa classe di modelli unifica prospettive cognitive e fisiche, offrendo una comprensione completa del comportamento adattativo. Si concentra su come un individuo stimi la distanza dai vicini e utilizzi i dettagli per prendere decisioni. Ha due parti: il modello dinamico, che descrive come le distanze cambiano nel tempo, e il modello di osservazione, che spiega come gli individui percepiscono queste distanze. L’inferenza attiva aggiorna le sue credenze e azioni per ridurre al minimo le sorprese.

Il modello enfatizza come un comportamento intricato derivi da azioni semplici guidate da previsioni e caratteristiche dell’output sensoriale. In alcuni scenari, converge verso vettori di forza tradizionali come l’attrazione, la repulsione e l’allineamento, derivati come funzionalità di energia libera, che agiscono come limite superiore sulla sorpresa. La plasticità comportamentale è un meccanismo chiave che aiuta ad aumentare e rappresentare collettivamente le fluttuazioni temporanee. A differenza dell’uso di regole o meccanismi aggiuntivi per risultati specifici, la plasticità comporta una discesa del gradiente sulla libera energia per i parametri del modello. Questo meccanismo è integrato nell’inferenza attiva, estendendo la sua applicazione agli aggiornamenti dei parametri del modello.

• Questo articolo sull’IA propone Soft MoE un trasformatore sparso completamente differenziabile che affronta queste sfide mantenendo i vantaggi delle MoE
• Come l’India sta utilizzando l’AI all’avanguardia per affrontare le frodi nei pagamenti
• Incontra Jupyter AI Sbloccare il Potere dell’Intelligenza Artificiale nei Quaderni Jupyter

I ricercatori sperano che il loro lavoro serva come collegamento tra i modelli teorici esistenti del comportamento animale collettivo e campi più neuro/ML-adiacenti come l’inferenza attiva e il framework cerebrale bayesiano. Sottolineano anche che il modello scelto spiega attributi chiave osservati nei sistemi collettivi e riproduce efficacemente la capacità di migliorare e decodificare le informazioni che i modelli precedenti hanno faticato a modellare senza invocare meccanismi aggiuntivi.