摘要
复杂推理是一种与递归信念建模和树搜索相关的主动推理变体。我们认为其核心计算角色更为简单：在计划范围内，它使主动推理形成闭环，允许未来的行动依赖于未来的状态和观察。这种闭环结构可以在认知先验变分自由能框架中表示。认知先验提供了主动推理目标，而未来状态和行动的联合后验则提供了状态依赖的控制结构。
方法评估
我们在反应迷宫（Reactivity Maze）中评估这种分解，该迷宫是一个随机基准，旨在将认知激励与内部闭环控制分离。比较包括三种具有相同状态-行动后验族的变分目标：一种行动-状态因子化的主动推理目标，复杂推理，以及标准的期望自由能规划。结果表明，单独的任一成分都不足以解决问题。没有认知成分的方法不会主动寻求信息，而那些阻止未来行动依赖于未来状态的方法则无法将信息转化为可靠的目标达成。
相反，复杂推理和全联合的认知先验主动推理通过结合认知驱动和闭环推理成功解决环境。这些结果表明，复杂推理的优势并非特定于树搜索本身，而是源于主动推理的闭环形式，并且这种形式可以在认知先验变分推理中表示，当后验保持未来行动依赖于未来状态时。
博主点评： 该研究深入探讨了复杂推理的闭环结构如何在主动推理中发挥关键作用，强调了认知先验在信息寻求与目标达成中的重要性。这为主动推理的应用提供了新的视角，尤其是在动态环境中如何有效决策。