탐식하는-agent의 동적-homeostatic-prioritization에서 interoceptive-주의

생물학적 시스템은 제한된 인식 대역폭에서 상충하는 요구를 규제해야 하며, 하나의 추정치를 보다 구체화시키는 것은 다른 추정치를 보다 구체화시키지 못하게 하는 것이다. 따라서 고정 예산 시스템은 인식의 정밀도를 어디에 할당할지 결정해야 한다. 우리는 생존을 위해 여러 신체적 필요를 충족시켜야 하는 포식자에 대해 연구한다. 이 포식자는 주어진 몸 상태에 대한 믿음, 가장 필요한 채널을 식별, 그리고 고정 예산의 내부적 인지 정밀도를 재할당하는 것을 포함한다. 이 재할당된 정밀도는 믿음 업데이트와 계획에 공유된다. AffectWorld에서, 이 선택적 할당은 고정 예산에서 일치하는 예산에 대한 학습 단계에서 생존률을 두 배 이상 향상시킨다. ($0.414$ vs $0.199$ 11 가지 레이아웃, $n{=}32$ 각 시드, paired cluster-bootstrap $p \leq 10^{-4}$). 두 가지 추가 결과는 이 메커니즘을 더 명확하게 한다. 이 이익은 계획뿐만 아니라 인식에서도 작용하며, 계획자에게만 가공된 가능성을 제공하지 않으면 이 이익이 반으로 줄어든다. 또한 가장 필요하지 않은 채널을 향한 정밀도를 조정하면, 균등하게 분산시킨 정밀도보다 더 나쁜 결과가 나온다. 또한 주목한 채널은 동역학을 두 배 빠르게 학습하고, 일치하는 관찰 횟수에서도 앞서 있는 것으로 보인다. 이는 정밀도 라우팅의 동일한 행동 트레이스를 학습 속도, 생존률이 아닌 학습 속도에서 볼 수 있다.