Da Costa 等人整理離散狀態空間中的主動推論，說明它如何以生成模型統合知覺、規劃、決策與學習。模型以狀態轉移、觀測似然、先驗偏好及政策等矩陣描述代理者與環境互動，並推導相應的近似推論歷程。作者整理了成癮選擇、視覺搜尋、導航、社會從眾、規則學習等案例，也明確指出理論、實作與經驗驗證仍有未解問題。這篇是進階讀者建立整體地圖的重要來源。
思與行
- 把一個日常選擇改寫成 POMDP：有哪些隱藏狀態、觀測、行動與偏好？
- 比較不同任務是否真的需要同樣複雜的生成模型。
參考
- Da Costa, L. et al. (2020). Active inference on discrete state-spaces: A synthesis. Journal of Mathematical Psychology, 99, 102447. PMC 全文 · DOI
- 延伸：離散狀態空間綜述整理主動推論的模型結構與研究挑戰、政策是通往預期狀態的行動序列、預期自由能整合目標追求與資訊探索