内受容的優先順位付けの二経路：能動的推論における尤度精度と選好再重み付けの分離

- 能動的推論（active inference）における身体ニーズの優先順位付けを、**精度（precision）**と**選好（preference）**の2経路で比較する研究。 - 3つの致死ニーズを持つ採餌グリッドワールドで、各介入（単独・組み合わせ）が生存、知覚、身体モデル学習に与える影響を検討。 - 精度は内受容事後分布を鋭くし生存を改善。選好再重み付けは致死境界から遠ざけ、学習状態を変化させる。 - 学習モデルは訪問したニーズレベルが少なく、全レベルで品質低下するが、訪問レベルではやや高品質。 - 72の追加レイアウト実験では予測された選好利益は確認できず、両介入は平均生存を改善し相互作用は正。

- 先行研究では、能動的推論における精度と選好の役割は個別に議論されてきたが、両者を直接比較し、生存・知覚・身体モデル学習への影響を分離した点が新しい。 - 従来は生存率のみで評価されることが多かったが、本研究は学習される身体モデルの質とカバレッジも評価。 - 精度と選好の相互作用を実験的に検証し、生存だけでは不十分であることを示唆。

- 3つの致死ニーズを持つ採餌グリッドワールドを構築。 - 能動的推論エージェントに、**精度介入**（内受容情報の精度向上）と**選好再重み付け**（ニーズ緩和結果への選好増大）を単独または同時に適用。 - 各条件で生存率、知覚（内受容事後分布の鋭さ）、学習された身体モデル（ニーズレベルごとの品質とカバレッジ）を測定。 - さらに72の追加レイアウトで予測の検証を試みる。

- グリッドワールド実験で、精度介入が内受容事後分布を鋭くし生存を改善することを確認。 - 選好再重み付けが身体状態を致死境界から遠ざけ、学習モデルのカバレッジと品質に影響することを示した。 - 72の追加レイアウトでは、困難なレイアウトでの選好利益は確認できなかったが、両介入が平均生存を改善し、正の相互作用があることを検証。

- 生存率だけでは、モデルがどのようにニーズを優先し身体を学習するかを完全には説明できない。 - 精度と選好の介入は異なるメカニズムで生存に寄与し、相互作用も見られる。 - 選好再重み付けの利益は困難なレイアウトでは確認できず、予測の一般性に議論の余地。 - 学習モデルの品質とカバレッジのトレードオフが示唆される。

- 能動的推論の基礎（Friston et al.） - 内受容と精度の研究（Seth, Barrett） - 選好と報酬の再重み付け（active inferenceにおけるpreference learning） - 身体モデル学習（body model learning） - 致死ニーズを持つエージェントの生存研究（foraging gridworld）