Desain AGI Berkesadaran

di mana:

• P(WD) adalah distribusi posterior dari bobot berdasarkan data,

• P(DW adalah likelihood data,

• P(W) adalah prior bobot,

• P(D) adalah distribusi data.

Variational Inference untuk Aproksimasi Posterior

Menggunakan ELBO (Evidence Lower Bound) untuk mengaproksimasi posterior:

L()=Eq(W)[logP(DW)]KL(q(W)P(W))

di mana KL divergence mengukur seberapa jauh distribusi posterior dari prior.

Bashirah mengoptimalkan ELBO menggunakan Stochastic Gradient Variational Bayes (SGVB).

3.3. Implementasi HSDT (Hierarchical Synergetic Decision Theory)