論文の概要: Reinforcement Learning for Control of Evolutionary and Ecological Processes
- arxiv url: http://arxiv.org/abs/2305.03340v2
- Date: Thu, 02 Jan 2025 03:38:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-03 14:33:14.539628
- Title: Reinforcement Learning for Control of Evolutionary and Ecological Processes
- Title（参考訳）: 進化・生態過程の制御のための強化学習
- Authors: Bryce Allen Bagley, Navin Khoshnan, Claudia K Petritsch,
- Abstract要約: 本稿では,エコロジーと生理学の両方を計算としてモデル化し,進化ゲームの定式化を導入する。
我々は,進化する細胞の個体群を制御するためのアルゴリズム的問題に対して,その先駆的な結果を開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: As Evolutionary Dynamics moves from the realm of theory into application, algorithms are needed to move beyond simple models. Yet few such methods exist in the literature. Ecological and physiological factors are known to be central to evolution in realistic contexts, but accounting for them generally renders problems intractable to existing methods. We introduce a formulation of evolutionary games which accounts for ecology and physiology by modeling both as computations and use this to analyze the problem of directed evolution via methods from Reinforcement Learning. This combination enables us to develop first-of-their-kind results on the algorithmic problem of learning to control an evolving population of cells. We prove a complexity bound on eco-evolutionary control in situations with limited prior knowledge of cellular physiology or ecology, give the first results on the most general version of the mathematical problem of directed evolution, and establish a new link between AI and biology.
- Abstract（参考訳）: 進化力学は理論の領域から応用へと移行するので、アルゴリズムは単純なモデルを超えて移動する必要がある。
文献にはそのような方法はほとんど存在しない。
生態学的および生理的要因は、現実的な文脈において進化の中心であることが知られているが、それらを説明することは、一般に既存の方法に難解な問題を生じさせる。
本稿では,生態学と生理学の両方をモデル化し,これを用いて強化学習の手法による方向性進化の問題を解析する進化ゲームの定式化について紹介する。
この組み合わせにより、進化する細胞の個体群を制御するための学習のアルゴリズム的問題に対して、先駆的な結果が得られる。
我々は、細胞生理学や生態学の知識が限られている状況において、エコ進化制御に縛られる複雑さを証明し、有向進化の数学的問題の最も一般的なバージョンに関する最初の結果を与え、AIと生物学の新たなリンクを確立する。
関連論文リスト
- Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - Exploring the Dynamics of Lotka-Volterra Systems: Efficiency, Extinction Order, and Predictive Machine Learning [0.0]
破壊効率が持続的でないシステムをいかに生み出すかを示す。
我々は、出生、死、自己規制、相互作用の強さの合計値の不平等が、食物網の持続性や安定性に関する洞察をいかにもたらすかを示す。
論文 参考訳（メタデータ） (2024-10-14T18:29:55Z) - Deep Signature: Characterization of Large-Scale Molecular Dynamics [29.67824486345836]
ディープシグナチャ(Deep Signature)は、複雑な力学と原子間相互作用を特徴付ける、計算的に抽出可能な新しいフレームワークである。
提案手法では,協調力学を局所的に集約してシステムのサイズを小さくするソフトスペクトルクラスタリングと,非滑らかな対話力学のグローバルな評価を行うシグネチャ変換を取り入れた。
論文 参考訳（メタデータ） (2024-10-03T16:37:48Z) - Towards Definition of Higher Order Causality in Complex Systems [0.0]
本稿では,因果推論に対する情報理論的アプローチの一般化と改良を提案する。
特に、多変量因果集合に因果的役割を割り当てるが、個々の入力には直交しない。
我々は、この概念を、実演理論的な例に適用し、生体物理学的に現実的な生体神経力学シミュレーションに応用することによって実証する。
論文 参考訳（メタデータ） (2024-08-30T12:04:51Z) - Phylogeny-Informed Interaction Estimation Accelerates Co-Evolutionary Learning [42.642008092347986]
本稿では、系統解析を用いて相互作用結果を推定する系統情報インフォームドインタラクション推定手法を提案する。
系統的インフォームド推定は,問題解決に必要な計算量を大幅に削減できることがわかった。
論文 参考訳（メタデータ） (2024-04-09T19:29:19Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。
GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。
我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
論文 参考訳（メタデータ） (2023-10-12T23:46:08Z) - GeoPhy: Differentiable Phylogenetic Inference via Geometric Gradients of
Tree Topologies [0.3263412255491401]
連続幾何学空間における位相分布のユニークな表現を利用する、系統推論の新規で完全に微分可能な定式化を導入する。
実際のベンチマークデータセットを用いた実験では、GeoPhyは全トポロジーを考慮した他の近似ベイズ法よりも著しく優れていた。
論文 参考訳（メタデータ） (2023-07-07T15:45:05Z) - 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) - 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)
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。