यह शोधपत्र संज्ञानात्मक विज्ञान के बायेसियन मॉडलों को कृत्रिम बुद्धिमत्ता पर लागू करने पर केंद्रित है। विशेष रूप से, पूर्वानुमानित कोडिंग सिद्धांत पर आधारित, हम एक ऐसा मॉडल प्रस्तावित करते हैं जो संवेदी इनपुट के कारणों के बारे में पदानुक्रमित संभाव्य अनुमान के माध्यम से अधिगम और व्यवहार की व्याख्या करता है। जैविक यथार्थवाद को ध्यान में रखते हुए, हम सरल स्थानीय गणनाओं पर आधारित परिशुद्धता-भारित पूर्वानुमानों और पूर्वानुमान त्रुटियों का उपयोग करते हैं। मौजूदा न्यूरल नेटवर्क लाइब्रेरीज़ की सीमाओं को दूर करने के लिए, हम Pyhgf , JAX और Rust पर आधारित एक पायथन पैकेज, प्रस्तुत करते हैं। pyhgf संदेश प्रेषण के दौरान नेटवर्क घटकों को पारदर्शी, मॉड्यूलर और परिवर्तनशील चरों के रूप में समाहित करता है, जिससे मनमाने ढंग से जटिल गणनाओं का कार्यान्वयन संभव हो पाता है। इसके अलावा, नेटवर्क संरचना को अनुकूलित करने से स्व-संगठन सिद्धांतों, संरचनात्मक अधिगम, मेटा-लर्निंग और कारणात्मक अनुमान का उपयोग करके अनुमान प्रक्रियाएँ संभव हो पाती हैं।
