論文の概要: Transfer Dynamics in Emergent Evolutionary Curricula
- arxiv url: http://arxiv.org/abs/2203.10941v1
- Date: Thu, 3 Mar 2022 21:10:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-27 13:07:55.210645
- Title: Transfer Dynamics in Emergent Evolutionary Curricula
- Title（参考訳）: 創発的進化カリキュラムにおける伝達ダイナミクス
- Authors: Aaron Dharna, Amy K Hoover, Julian Togelius, L. B. Soros
- Abstract要約: PINSKYは、ゲームベースのドメインにおける神経進化によるオープンエンド学習システムである。
本稿では、ある進化的分岐(種)から別の進化的分岐(種)へ政策を移す役割に焦点を当てる。
最も洞察に富んだ発見は、種間移動は稀ではあるが、システムの成功に不可欠であるということである。
- 参考スコア（独自算出の注目度）: 4.692078300163222
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: PINSKY is a system for open-ended learning through neuroevolution in
game-based domains. It builds on the Paired Open-Ended Trailblazer (POET)
system, which originally explored learning and environment generation for
bipedal walkers, and adapts it to games in the General Video Game AI (GVGAI)
system. Previous work showed that by co-evolving levels and neural network
policies, levels could be found for which successful policies could not be
created via optimization alone. Studied in the realm of Artificial Life as a
potentially open-ended alternative to gradient-based fitness, minimal criteria
(MC)-based selection helps foster diversity in evolutionary populations. The
main question addressed by this paper is how the open-ended learning actually
works, focusing in particular on the role of transfer of policies from one
evolutionary branch ("species") to another. We analyze the dynamics of the
system through creating phylogenetic trees, analyzing evolutionary trajectories
of policies, and temporally breaking down transfers according to species type.
Furthermore, we analyze the impact of the minimal criterion on generated level
diversity and inter-species transfer. The most insightful finding is that
inter-species transfer, while rare, is crucial to the system's success.
- Abstract（参考訳）: PINSKYは、ゲームベースのドメインにおける神経進化によるオープンエンド学習システムである。
Paired Open-Ended Trailblazer (POET)システムをベースにしており、二足歩行者の学習と環境生成を探索し、General Video Game AI (GVGAI)システムでゲームに適応する。
以前の研究は、レベルとニューラルネットワークポリシを共同進化させることで、成功しているポリシを最適化だけで生成できないレベルを見つけることができた。
傾斜に基づくフィットネスの代替として人工生命の分野で研究され、最小基準(mc)に基づく選択は進化集団の多様性を育むのに役立つ。
本稿で論じる主な問題は、オープンエンドラーニングが実際にどのように機能するかであり、特に、ある進化的分岐(種)から別の進化的分岐(種)へポリシーを移す役割に焦点を当てている。
系統樹の作成,政策の進化的軌跡の分析,種別による経年変化の時間的分解などを通じて,システムの動態を解析した。
さらに、最小限の基準が発生レベル多様性および種間移動に与える影響を分析する。
最も洞察に富んだ発見は、種間移動は稀ではあるが、システムの成功に不可欠であるということである。
関連論文リスト
- Agent Alignment in Evolving Social Norms [65.45423591744434]
本稿では,エージェント進化とアライメントのための進化的フレームワークであるEvolutionaryAgentを提案する。
社会規範が継続的に進化する環境では、エージェントは現在の社会規範に適応し、生存と増殖の確率が高くなる。
進化的エージェントは、一般的なタスクにおいてその能力を維持しながら、進化する社会規範と徐々に整合できることを示す。
論文 参考訳（メタデータ） (2024-01-09T15:44:44Z) - 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) - 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) - Towards Large-Scale Simulations of Open-Ended Evolution in Continuous
Cellular Automata [0.0]
並列計算フレームワーク JAX を用いた大規模進化シミュレーションを構築した。
遺伝子操作子を暗黙的に実装するなど、システム設計の選択肢を多数報告する。
オープンエンド進化を促進する要因をいくつか提案する。
論文 参考訳（メタデータ） (2023-04-12T06:40:11Z) - When to be critical? Performance and evolvability in different regimes
of neural Ising agents [18.536813548129878]
臨界状態に近い状態での操作は、自然、人工的およびそれらの進化システムにとって有益である、という仮説は長年にわたって仮説化されてきた。
我々はこの仮説を、ニューラルネットワークによって制御される進化的捕食エージェントのシステムでテストする。
驚くべきことに、ソリューションを発見するすべての人口は、亜臨界状態へと進化する。
論文 参考訳（メタデータ） (2023-03-28T17:57:57Z) - 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) - Epigenetic opportunities for Evolutionary Computation [0.0]
進化計算(Evolutionary Computation)は、複雑な最適化問題を解くために用いられる生物学的にインスパイアされたアルゴリズムのグループである。
遺伝的遺伝からインスピレーションを得る進化的アルゴリズムと、文化的遺伝からインスピレーションを得るSwarm Intelligenceアルゴリズムに分けることができる。
本稿では, 進化的拡張合成に基づく生物学的枠組みの下で, バイオインスパイアされたアルゴリズムを成功裏に分解する。
論文 参考訳（メタデータ） (2021-08-10T09:44:53Z) - 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) - Complexity-based speciation and genotype representation for
neuroevolution [81.21462458089142]
本稿では、進化するネットワークを隠されたニューロンの数に基づいて種に分類する神経進化の種分化原理を提案する。
提案された種分化原理は、種および生態系全体における多様性の促進と保存を目的として設計されたいくつかの技術で採用されている。
論文 参考訳（メタデータ） (2020-10-11T06:26:56Z)
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。