Cette page a été traduite automatiquement de l'anglais. Consultez l'original en anglais.
Développeurs Python, chercheurs et ingénieurs implémentant des modèles d'état continus Active Inference.
Une bibliothèque continue d'état Active Inference testée et documentée en Python.
Diriger: Daniel Corva
cpomdp est une bibliothèque Python open source pour les états continus Active Inference. Elle fournit le passage de messages par graphes de facteurs, le filtrage Kalman et de référence, le bruit d’observation et de processus dépendant de l’état, des tolérances certifiables et des références de contrôle classiques assorties.
cpomdp apporte une approche rigoureuse de l’état continu Active Inference à Python. Les agents maintiennent des croyances gaussiennes sur les états latents continus, mettent à jour via le passage de messages sur des graphes de facteurs de style Forney et sélectionnent des actions en minimisant l’énergie libre attendue sur les ensembles d’actions déclarés avec des tolérances de garantie certifiées.
Les contributeurs intéressés par l'analyse numérique, les noyaux de référence JAX/NumPy, le filtrage de Kalman et la modélisation générative continue sont les bienvenus pour participer via Discord et GitHub.
La bibliothèque est développée en open source: source sur GitHub, documentation sur cpomdp.inferogenesis.com, et publications sur PyPI sous cpomdp. Le premier article associé, « State-Dependent Observation Noise Reintroduces Epistemic Value in Linear-Gaussian Active Inference » (arXiv:2607.20306, 2026), expose le résultat que la gestion de bruit dépendante de l'état de la bibliothèque met en œuvre.
Ressources associées
Audience: Newcomer
Primary public community channel for conversation, coordination, and newcomer orientation.
Audience: Researcher
Public ecosystem shortlink for Institute context, projects, activities, and conceptual maps.
Audience: Developer
Source repository for the cpomdp continuous-state Active Inference library.
Audience: Developer
Documentation for the cpomdp library: API reference, tutorials, and worked examples.
Audience: Developer
Released cpomdp packages on the Python Package Index, installable with pip.
Audience: Researcher
Preprint showing that state-dependent observation noise reintroduces epistemic value in linear-Gaussian Active Inference; the result cpomdp implements.