Fugu-MT 論文翻訳(概要): The Role of Evolution in Machine Intelligence

論文の概要: The Role of Evolution in Machine Intelligence

arxiv url: http://arxiv.org/abs/2106.11151v1
Date: Mon, 21 Jun 2021 14:46:18 GMT
ステータス: 処理完了
システム内更新日: 2023-03-25 23:15:39.397012
Title: The Role of Evolution in Machine Intelligence
Title（参考訳）: マシンインテリジェンスにおける進化の役割
Authors: Awni Hannun
Abstract要約: マシンインテリジェンスの発展には、進化という代替手段が重要だ、と私は主張する。私の第一次提案は、進化的アプローチの幅広い範囲で研究を多様化することです。
参考スコア（独自算出の注目度）: 8.228029233058411
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine intelligence can develop either directly from experience or by inheriting experience through evolution. The bulk of current research efforts focus on algorithms which learn directly from experience. I argue that the alternative, evolution, is important to the development of machine intelligence and underinvested in terms of research allocation. The primary aim of this work is to assess where along the spectrum of evolutionary algorithms to invest in research. My first-order suggestion is to diversify research across a broader spectrum of evolutionary approaches. I also define meta-evolutionary algorithms and argue that they may yield an optimal trade-off between the many factors influencing the development of machine intelligence.
Abstract（参考訳）: マシンインテリジェンスは、経験から直接、または進化を通じて経験を継承することによって、発展することができる。現在の研究の大部分は、経験から直接学習するアルゴリズムに焦点を当てている。代替案である進化は、機械知能の開発において重要であり、研究の割り当ての面では過小投資されていると論じている。この研究の主な目的は、進化的アルゴリズムがどこで研究に投資するのかを評価することである。私の1次提案は、幅広い進化的アプローチにまたがる研究を多様化させることです。メタ進化的アルゴリズムも定義し、マシンインテリジェンスの発展に影響を及ぼす多くの要因の間に最適なトレードオフをもたらすかもしれないと論じます。

関連論文リスト

Evolutionary Automata and Deep Evolutionary Computation [0.38073142980732994]
進化的オートマトン(英: Evolution Automaticon)とは、進化的計算を無限世代で行う自動機械である。これはまた、環境との対話的なフィードバックによって自己進化する自然進化の力のヒントを与える。
論文参考訳（メタデータ） (2024-11-22T15:31:50Z)
When large language models meet evolutionary algorithms [48.213640761641926]
事前訓練された大規模言語モデル(LLM)は、創造的な自然言語を生成する強力な能力を持つ。進化的アルゴリズム(EA)は、複雑な現実世界の問題に対する多様な解決策を発見できる。テキスト生成と進化の共通する集合性と方向性に動機づけられた本論文では,LLMとEAの並列性について述べる。
論文参考訳（メタデータ） (2024-01-19T05:58:30Z)
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)
Role of Morphogenetic Competency on Evolution [0.0]
進化計算において、逆関係(進化に関する知性の影響)は、生物レベルの振る舞いの観点からアプローチされる。我々は、解剖学的形態空間をナビゲートするシステムの最小限のモデルの知性に焦点を当てる。我々はシリコの標準遺伝アルゴリズムを用いて人工胚の個体群を進化させた。
論文参考訳（メタデータ） (2023-10-13T11:58:18Z)
Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
The Evolution theory of Learning: From Natural Selection to Reinforcement Learning [0.0]
強化学習は、人工知能において、環境から学習するインテリジェントエージェントを開発するための強力なツールである。近年、研究者たちはこれら2つの明らかに異なる分野の関連性を探り、これまで考えられていたよりも密接な関係にあるという説得力のある証拠を発見した。本稿では、これらの関係とその意味を考察し、進化システムにおける進化の理解とフィードバックの役割を高めるための強化学習原則の可能性を明らかにする。
論文参考訳（メタデータ） (2023-06-16T16:44:14Z)
Phylogeny-informed fitness estimation [58.720142291102135]
本研究では, 住民の健康評価を推定するために, フィロジェニーを利用した適合度推定手法を提案する。以上の結果から, 植物性インフォームドフィットネス推定は, ダウンサンプドレキシケースの欠点を軽減することが示唆された。この研究は、ランタイム系統解析を利用して進化アルゴリズムを改善するための最初のステップとなる。
論文参考訳（メタデータ） (2023-06-06T19:05:01Z)
Machine Psychology [54.287802134327485]
我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
論文参考訳（メタデータ） (2023-03-24T13:24:41Z)
Applications of Gaussian Mutation for Self Adaptation in Evolutionary Genetic Algorithms [0.0]
1960年、ジョン・H・ホランドとその学生によって最初の遺伝的アルゴリズムが開発された。本稿では,ガウス突然変異を応用した遺伝的アルゴリズムの数学的直観について検討する。
論文参考訳（メタデータ） (2022-01-02T04:18:25Z)
Embodied Intelligence via Learning and Evolution [92.26791530545479]
環境の複雑さが形態学的知能の進化を促進することを示す。また、進化は速く学習する形態を素早く選択することを示した。我々の実験は、ボールドウィン効果とモルフォロジーインテリジェンスの発生の両方の力学的基礎を示唆している。
論文参考訳（メタデータ） (2021-02-03T18:58:31Z)
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。