論文の概要: Bootstrapping of memetic from genetic evolution via inter-agent selection pressures

• arxiv url: http://arxiv.org/abs/2104.03404v1
• Date: Wed, 7 Apr 2021 21:31:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 03:31:46.024568
• Title: Bootstrapping of memetic from genetic evolution via inter-agent selection pressures
• Title（参考訳）: 分子間選抜圧力による遺伝子進化からのmemeticのブートストラップ
• Authors: Nicholas Guttenberg, Marek Rosa
• Abstract要約: 我々は、互いにメッセージを選択的に交換するエージェントの人工システムを作成する。 我々は, エージェントが互いに選択圧力を及ぼす能力が, メメティック進化に不可欠であることを観察する。 このシステムでは、この「生態学」と、個々のフィットネスを駆動する基礎的なタスクとの相互作用がほとんどありません。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We create an artificial system of agents (attention-based neural networks) which selectively exchange messages with each-other in order to study the emergence of memetic evolution and how memetic evolutionary pressures interact with genetic evolution of the network weights. We observe that the ability of agents to exert selection pressures on each-other is essential for memetic evolution to bootstrap itself into a state which has both high-fidelity replication of memes, as well as continuing production of new memes over time. However, in this system there is very little interaction between this memetic 'ecology' and underlying tasks driving individual fitness - the emergent meme layer appears to be neither helpful nor harmful to agents' ability to learn to solve tasks. Sourcecode for these experiments is available at https://github.com/GoodAI/memes
• Abstract（参考訳）: 我々は,メメティック進化の出現と,メメティック進化圧力がネットワーク重みの遺伝的進化とどのように相互作用するかを研究するために,メッセージを選択的に交換するエージェント(アテンションベースニューラルネットワーク)の人工システムを構築する。 我々は,各エージェントが互いに選択圧を行使する能力は,ミームの高忠実度複製と新たなミームの生成が継続する状態に自己をブートストラップするメメティック進化に不可欠であることを観察した。 しかし、このシステムでは、この「生態学」と個々のフィットネスを駆動するタスクとの相互作用がほとんどなく、創発的なミーム層はエージェントの問題解決能力に役に立たず、有害なものではないように見える。 これらの実験のソースコードはhttps://github.com/GoodAI/memesで入手できる。

関連論文リスト

• Protein pathways as a catalyst to directed evolution of the topology of artificial neural networks [2.015592185785847]
  我々は,タンパク質ネットワーク(PN)の構造的特性,相互作用,ダイナミクスを基盤とした,新しいバイオインスパイアされた設計に向けて,ANN(Artificial Neural Networks)の進化に向けたパラダイムシフトを提案する。 1) 何百万年もの進化のおかげで、DNA内のタンパク質の相互作用を効率的にコードし、APNをシリコンDNAに変換する方法、(2) 自然が私たちの遺伝子にネットワークを構築する方法から学び、EA進化を通じて新しい、よりスマートなネットワークを設計できるようにする方法、そして
  論文  参考訳（メタデータ） (2024-06-07T13:35:08Z)
• Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems [59.117526206317116]
  Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化可能であることを示す。 4つの実世界のデータセットの実験では、細胞は最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-05-29T02:35:23Z)
• DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary Intelligence [77.78795329701367]
  本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。 我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。 今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
  論文  参考訳（メタデータ） (2023-12-08T16:51:10Z)
• The scaling of goals via homeostasis: an evolutionary simulation, experiment and analysis [0.0]
  本研究では, 形態形成過程における細胞の集合的知能を, ホメオスタティックプロセスの中心における目標状態をスケールアップすることによって, 行動知能に転換することを提案する。 これらの創発性形態形成因子は、その標的形態学を達成するために応力伝播ダイナミクスの使用を含む、多くの予測された特徴を示す。 本研究では, 進化が最小目標指向行動(ホメオスタティックループ)をどのように高次問題解決剤に拡大するかを, 定量的に把握するための第一歩として提案する。
  論文  参考訳（メタデータ） (2022-11-15T21:48:44Z)
• Towards the Neuroevolution of Low-level Artificial General Intelligence [5.2611228017034435]
  我々は、AI(Artificial General Intelligence, AGI)の検索は、人間レベルの知能よりもはるかに低いレベルから始まるべきだと論じる。 我々の仮説は、エージェントが環境の中で行動するとき、学習は感覚フィードバックによって起こるというものである。 環境反応から学習する生物学的にインスパイアされた人工ニューラルネットワークを進化させる手法を評価する。
  論文  参考訳（メタデータ） (2022-07-27T15:30:50Z)
• The Introspective Agent: Interdependence of Strategy, Physiology, and Sensing for Embodied Agents [51.94554095091305]
  本論では, 環境の文脈において, 自己能力を考慮した内省的エージェントについて論じる。 自然と同じように、私たちは戦略を1つのツールとして再編成して、環境において成功させたいと考えています。
  論文  参考訳（メタデータ） (2022-01-02T20:14:01Z)
• A Few-shot Learning Graph Multi-Trajectory Evolution Network for Forecasting Multimodal Baby Connectivity Development from a Baseline Timepoint [53.73316520733503]
  本稿では,教師-学生パラダイムを取り入れたグラフ多目的進化ネットワーク(GmTE-Net)を提案する。 これは、脳グラフ多軌道成長予測に適した最初の教師学生アーキテクチャである。
  論文  参考訳（メタデータ） (2021-10-06T08:26:57Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)
• Task-Agnostic Morphology Evolution [94.97384298872286]
  モルフォロジーと振る舞いを共同適用する現在のアプローチでは、特定のタスクの報酬をモルフォロジー最適化のシグナルとして使用します。 これはしばしば高価なポリシー最適化を必要とし、一般化するために構築されていないタスクに依存した形態をもたらす。 我々は,これらの問題を緩和するための新しいアプローチであるタスク非依存形態進化(tame)を提案する。
  論文  参考訳（メタデータ） (2021-02-25T18:59:21Z)
• Mimicking Evolution with Reinforcement Learning [10.35437633064506]
  人工的な人間のような知性を発達させる道は、自然のシミュレーションで進化の過程を模倣することでもたらされると我々は主張する。 この研究は、進化的リワード(EvER)を通じて進化的リワード(Evolutionary Reward)を提案する。
  論文  参考訳（メタデータ） (2020-03-31T18:16:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。