![Free Energy＝精度 + 複雑度
= ?? ?(?|?)[log ? ? ? ? ] + ? ??[?(?|?)||? ? ? ]? ?, ?
?
?
?
：Hidden or external states
：Sensory states
：Internal states(ex. zの平均、分散)
精度 複雑度](https://image.slidesharecdn.com/wbahackathon2-170222142857/85/Wba-hackathon2_-_-6-320.jpg)
![Variational Autoencoderの式
参考：http://qiita.com/skitaoka/items/64eab1d6c09a189d5841
log ? ? ?
= log ?(?|?)
? ?(?, ?)
?(?|?)
??
= ? ? ? log
? ?(?, ?)
?(?|?)
?? + ? ??[?(?|?)||? ? ? ? ]
? ?(?|?) ：真の潜在変数の事後分布
?(?|?) ：? ?(?|?)の近似分布（Neural Networkで表現）
log ? ? ? ：対数尤度。これを最大化する?を見つけ出したい
下界 = ?(?) 真の分布と近似誤差の差
? ?
= ? ? ? log
? ? ?, ?
? ? ?
??
= ? ?(?|?)[log ? ? ? ? ] ? ? ??[?(?|?)||? ? ? ]
???①](https://image.slidesharecdn.com/wbahackathon2-170222142857/85/Wba-hackathon2_-_-51-320.jpg)
![Free Energyの式
= ?? ?(?|?)[log ? ? ? ? ] + ? ??[?(?|?)||? ? ? ]
? ?, ? = ? ?(?|?)[? log ? ?(?, ?)] ? ?[?(?|?)]
参考：https://en.wikipedia.org/wiki/Free_energy_principle
Energy Entropy
???②
?
?
?
：Hidden or external states
：Sensory states
：Internal states ?
?
?
?
World In Brain](https://image.slidesharecdn.com/wbahackathon2-170222142857/85/Wba-hackathon2_-_-52-320.jpg)
![両者は同じもの
? ? = ? ?(?|?)[log ? ? ? ? ] ? ? ??[?(?|?)||? ? ? ]
①より ②より
?(?, ?) = ?? ?(?|?)[log ? ? ? ? + ? ??[?(?|?)||? ? ? ]
?? ? = ?? ? ? ? [log ? ? ? ? ] + ? ??[?(?|?)||? ? ? ]
?? ? = ?? ? ? ? [log ? ? ? ? ] + ? ??[?(?|?)||? ? ? ]
観測された値でInternal statesを代用
正規分布と仮定
? Free Energy ?(?, ?)は最小化、変分下界?(?)は最大化。? ?, ? = ??(?)よりやっていることも同じ。
? ?(?)の確率関数はニューラルネットによる近似](https://image.slidesharecdn.com/wbahackathon2-170222142857/85/Wba-hackathon2_-_-53-320.jpg)
![[DL輪読会]Depth Prediction Without the Sensors: Leveraging Structure for Unsuper...](https://cdn.slidesharecdn.com/ss_thumbnails/struct2depth0301-190304050917-thumbnail.jpg?width=560&fit=bounds)
More Related Content
Similar to 落合 Wba hackathon2_成果報告_最終版 (20)
落合 Wba hackathon2_成果報告_最終版
- 2. やったこと
- 5. Free Energy Principle by K.Friston
- 6. Free Energy＝精度 + 複雑度 = ?? ?(?|?)[log ? ? ? ? ] + ? ??[?(?|?)||? ? ? ]? ?, ? ? ? ? ：Hidden or external states ：Sensory states ：Internal states(ex. zの平均、分散) 精度 複雑度
- 7. Internal state ? = arg min ?(?, ?) 予測誤差を最小化するよう 内部パラメータを学習 （通常の生成モデル学習） ?
- 8. Internal state Action(Attention) ? = arg min ?(?, ?) ? = arg min ?(?, ?) 予測誤差を最小化するよう 内部パラメータを学習 （通常の生成モデル学習） 予測誤差を最小化する行動 を生成 予測＝注目 (Active Inference) ? ?
- 9. 実装
- 10. Free Energy Principle = Variational Autoencoder ? Variational Autoencoder(VAE)は変分ベイズをニューラルネッ トで表現したもの ? 変分ベイズではFree Energyを最小化している ? Free Energyを内部パラメータ調節で最小化するNetwork ＝Variational Autoencoder ? 今回の目標：Active InferenceをVAEに追加 ? Active Inference=Free Energyを最小化する動きを生成す ること
- 11. ?? ? ? ? ?? FC ? ?? ? ? ? ?? FC ? ?′ ?′ ?? ? ?? FC ?′ ?? ?? ? ?? FC ?′ ?? t=0 t=1 layer=0 layer=1 Active Inference Network ? ? ? FC ?? ?? ?′ Action Hidden state State(Bottom up) State(expect) Action Network Encoder Network Decoder Network Probabilistic
- 12. ?? ? ? ? ?? FC ? ?? ? ? ? ?? FC ? ?′ ?′ ?? ? ?? FC ?′ ?? ?? ? ?? FC ?′ ?? t=0 t=1 layer=0 layer=1 Active Inference Network ? ? ? FC ?? ?? ?′ Action Hidden state State(Bottom up) State(expect) Action Network Encoder Network Decoder Network Probabilistic 今回作成範囲
- 13. ?? ? ? ? ?? FC ? ?? ? ? ? ?? FC ? ?′ ?′ ?? ? ?? FC ?′ ?? ?? ? ?? FC ?′ ?? t=0 t=1 layer=0 layer=1 Active Inference Network ? ? ? FC ?? ?? ?′ Action Hidden state State(Bottom up) State(expect) Action Network Encoder Network Decoder Network Probabilistic Variational Autoencoder
- 14. ?? ? ? ? ?? FC ? ?? ? ? ? ?? FC ? ?′ ?′ ?? ? ?? FC ?′ ?? ?? ? ?? FC ?′ ?? t=0 t=1 layer=0 layer=1 Active Inference Network ? ? ? FC ?? ?? ?′ Action Hidden state State(Bottom up) State(expect) Action Network Encoder Network Decoder Network Probabilistic Action
- 15. 学习环境
- 16. 環境 エージェント MNIST画像を並べた 56x56ピクセルの空間 (トーラス状に回り込み) 着目領域 28x28ピクセル 着目領域内の画像 着目領域の 相対移動方向 ?? ? ? ? ?? FC ? ?′ dx = -1 or 1, dy=-1 or 1 ピクセル単位の移動
- 17. 结果
- 30. 考察 ? 予測誤差を最小化するため一箇所で振動 ? 理由 ? 環境が固定、かつ行動の外乱なし ? 予測誤差は最小化ではなく一定の値になるよう行動を決 めるべき？ ? 予測誤差が少なすぎる?退屈 ? 予測誤差が高すぎる?不安 ? 報酬、トップダウン信号が必要
- 31. ?すごい： Free Energy Principleを大規模化可能な 形で実装 ?おもろい：制御への応用可能性（後述） ?脳っぽい：Free Energy Principleは脳の実験 データによる裏付けも出始めている
- 32. Future Work
- 35. ?? ? ? ? ?? FC ? ?? ? ? ? ?? FC ? ?′ ?′ ?? ? ?? FC ?′ ?? ?? ? ?? FC ?′ ?? t=0 t=1 layer=0 layer=1 Active Inference Network ? ? ? FC ?? ?? ?′ Action Hidden state State(Bottom up) State(expect) Action Network Encoder Network Decoder Network Probabilistic 作成予定範囲
- 37. ?? ? ? ? ?? FC ? ?? ? ? ? ?? FC ? ?′ ?′ ?? ? ?? FC ?′ ?? ?? ? ?? FC ?′ ?? t=0 t=1 layer=0 layer=1 Active Inference Network ? ? ? FC ?? ?? ?′ Action Hidden state State(Bottom up) State(expect) Action Network Encoder Network Decoder Network Probabilistic 探索対象の画像を入力、ボトムアップ計算
- 38. ?? ? ? ? ?? FC ? ?? ? ? ? ?? FC ? ?′ ?′ ?? ? ?? FC ?′ ?? ?? ? ?? FC ?′ ?? t=0 t=1 layer=0 layer=1 Active Inference Network ? ? ? FC ?? ?? ?′ Action Hidden state State(Bottom up) State(expect) Action Network Encoder Network Decoder Network Probabilistic 上位層のzを固定し、ボトムアップとトップダウン信号を流す
- 39. Active Inference Networkのイメージ layer0 layer1 layer2 layer3 In Brain World sensor ゴム紐
- 40. Active Inference Networkのイメージ layer0 layer1 layer2 layer3 In Brain World sensor
- 41. Active Inference Networkのイメージ layer0 layer1 layer2 layer3 In Brain World sensor
- 42. Active Inference Networkのイメージ layer0 layer1 layer2 layer3 In Brain World sensor
- 43. Active Inference Networkのイメージ layer0 layer1 layer2 layer3 In Brain World sensor
- 44. Active Inference Networkのイメージ layer0 layer1 layer2 layer3 In Brain World sensor
- 45. Active Inference Networkのイメージ layer0 layer1 layer2 layer3 In Brain World sensor
- 46. Active Inference Networkのイメージ layer0 layer1 layer2 layer3 In Brain World sensor
- 47. END
- 48. 以降付録
- 49. キーワード ? Free Energy Principle ? Predictive Coding ? Policy Gradient(action の強化学習で使用) ? Variational Autoencoder ? 変分ベイズ ? 変分下界 ? エントロピー
- 50. 環境、ライブラリ ? Python 2.7 ? Chainer 1.15.0.1
- 51. Variational Autoencoderの式 参考：http://qiita.com/skitaoka/items/64eab1d6c09a189d5841 log ? ? ? = log ?(?|?) ? ?(?, ?) ?(?|?) ?? = ? ? ? log ? ?(?, ?) ?(?|?) ?? + ? ??[?(?|?)||? ? ? ? ] ? ?(?|?) ：真の潜在変数の事後分布 ?(?|?) ：? ?(?|?)の近似分布（Neural Networkで表現） log ? ? ? ：対数尤度。これを最大化する?を見つけ出したい 下界 = ?(?) 真の分布と近似誤差の差 ? ? = ? ? ? log ? ? ?, ? ? ? ? ?? = ? ?(?|?)[log ? ? ? ? ] ? ? ??[?(?|?)||? ? ? ] ???①
- 52. Free Energyの式 = ?? ?(?|?)[log ? ? ? ? ] + ? ??[?(?|?)||? ? ? ] ? ?, ? = ? ?(?|?)[? log ? ?(?, ?)] ? ?[?(?|?)] 参考：https://en.wikipedia.org/wiki/Free_energy_principle Energy Entropy ???② ? ? ? ：Hidden or external states ：Sensory states ：Internal states ? ? ? ? World In Brain
- 53. 両者は同じもの ? ? = ? ?(?|?)[log ? ? ? ? ] ? ? ??[?(?|?)||? ? ? ] ①より ②より ?(?, ?) = ?? ?(?|?)[log ? ? ? ? + ? ??[?(?|?)||? ? ? ] ?? ? = ?? ? ? ? [log ? ? ? ? ] + ? ??[?(?|?)||? ? ? ] ?? ? = ?? ? ? ? [log ? ? ? ? ] + ? ??[?(?|?)||? ? ? ] 観測された値でInternal statesを代用 正規分布と仮定 ? Free Energy ?(?, ?)は最小化、変分下界?(?)は最大化。? ?, ? = ??(?)よりやっていることも同じ。 ? ?(?)の確率関数はニューラルネットによる近似
- 54. Free Energy Principle = Variational Autoencoder ? Variational Autoencoder(VAE)は変分ベイズをニューラルネットで表現 したもの( http://www.asahi-net.or.jp/~fb8t-ysok/docs/vae/ ) ? 変分ベイズではFree Energyを最小化している ( http://nktmemoja.github.io/jekyll/update/2016/08/20/variational- bayes.html ) ? Free Energyを内部パラメータ調節で最小化するNetwork ＝Variational Autoencoder ? 今回の目標：Active InferenceをVAEに追加 ? Active Inference=Free Energyを最小化する動きを生成すること
- 55. １枚ものスライド
- 56. Free Energy Principle by Friston implement “Active Inference Network” ?ある状態を実現するための，行動を生成するネットワークの提案 Test ?マップ上でのナビゲーション課題 ←こいつを探したい ある特定の画像を，マップ上で探し出す