論文の概要: Selection for short-term empowerment accelerates the evolution of
homeostatic neural cellular automata
- arxiv url: http://arxiv.org/abs/2305.15220v1
- Date: Wed, 24 May 2023 15:01:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 14:59:55.891449
- Title: Selection for short-term empowerment accelerates the evolution of
homeostatic neural cellular automata
- Title(参考訳): 短期的エンパワーメントの選択はホメオスタティック神経細胞オートマトンの進化を加速する
- Authors: Caitlin Grasso and Josh Bongard
- Abstract要約: 本研究は, ホメオスタティックNCAの発見を促進するための補助的目的として, エンハンスメントの作用する時間スケールが有効性に与える影響を考察する。
ホメオスタシスのみの進化的選択と比較して,より長い遅延時間でエンパワーメントが大幅に改善されることが示唆された。
短期的なNCAはより安定しており, ホームスタティックな課題を克服する上で, より優れた一般化が期待できる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Empowerment -- a domain independent, information-theoretic metric -- has
previously been shown to assist in the evolutionary search for neural cellular
automata (NCA) capable of homeostasis when employed as a fitness function. In
our previous study, we successfully extended empowerment, defined as maximum
time-lagged mutual information between agents' actions and future sensations,
to a distributed sensorimotor system embodied as an NCA. However, the
time-delay between actions and their corresponding sensations was arbitrarily
chosen. Here, we expand upon previous work by exploring how the time scale at
which empowerment operates impacts its efficacy as an auxiliary objective to
accelerate the discovery of homeostatic NCAs. We show that shorter time delays
result in marked improvements over empowerment with longer delays, when
compared to evolutionary selection only for homeostasis. Moreover, we evaluate
stability and adaptability of evolved NCAs, both hallmarks of living systems
that are of interest to replicate in artificial ones. We find that short-term
empowered NCA are more stable and are capable of generalizing better to unseen
homeostatic challenges. Taken together, these findings motivate the use of
empowerment during the evolution of other artifacts, and suggest how it should
be incorporated to accelerate evolution of desired behaviors for them. Source
code for the experiments in this paper can be found at:
https://github.com/caitlingrasso/empowered-nca-II.
- Abstract(参考訳): エンパワーメント(ドメインに依存しない情報理論の指標)は、フィットネス機能として使われる際にホメオスタシスが可能な神経細胞オートマトン(nca)の進化的探索を支援することが以前に示されている。
本研究は,NCAを具現化した分散センサモレータシステムに対して,エージェントの行動と将来の感覚の最大時間付き相互情報として定義されたエンパワーメントを成功させた。
しかし,行動とそれに対応する感覚との時間遅延は任意に選択された。
ここでは, 従来の研究を拡大し, ホメオスタティックNCAの発見を加速する補助的目的として, エンパワーメントの作用する時間スケールが有効性に与える影響を探求する。
ホメオスタシスのみの進化的選択と比較して,より長い遅延時間でエンパワーメントが大幅に改善されることが示唆された。
さらに,進化したncasの安定性と適応性についても評価した。
短期的なNCAはより安定しており, ホームスタティックな課題を克服する上で, より優れた一般化が期待できる。
これらの知見は、他のアーティファクトの進化におけるエンパワーメントの利用を動機付け、それらに対する望ましい行動の進化を加速するためにどのように組み込むべきかを示唆している。
本論文のソースコードは, https://github.com/caitlingrasso/empowered-nca-II で公開されている。
関連論文リスト
- A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。
本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。
本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
論文 参考訳(メタデータ) (2022-11-16T20:00:38Z) - 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) - Continual learning benefits from multiple sleep mechanisms: NREM, REM,
and Synaptic Downscaling [51.316408685035526]
先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。
本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
論文 参考訳(メタデータ) (2022-09-09T13:45:27Z) - Empowered Neural Cellular Automata [0.0]
エンパワーメントは、エージェントがその環境に与えるコントロールの量を測定する。
神経細胞オートマトンの発展における二次的な目的としてのエンパワーメントの追加は、形態形成のみの進化よりも高い適合性をもたらすことを示す。
論文 参考訳(メタデータ) (2022-04-27T19:37:26Z) - Learning Theory of Mind via Dynamic Traits Attribution [59.9781556714202]
本稿では,過去のトラジェクトリからアクターの潜在特性ベクトルを生成するニューラルToMアーキテクチャを提案する。
この特性ベクトルは、予測ニューラルネットワークの高速重み付けスキームを介して予測機構を乗法的に変調する。
実験により,高速重量はエージェントの特性をモデル化し,マインドリーディング能力を向上させるために優れた誘導バイアスを与えることが示された。
論文 参考訳(メタデータ) (2022-04-17T11:21:18Z) - Biologically-inspired neuronal adaptation improves learning in neural
networks [0.7734726150561086]
人間は今でも、多くのタスクで人工知能よりも優れています。
私たちは、機械学習アルゴリズムを改善するために、脳からインスピレーションを受けています。
我々はMNISTとCIFAR-10で訓練された多層パーセプトロンと畳み込みニューラルネットワークに適応する。
論文 参考訳(メタデータ) (2022-04-08T16:16:02Z) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳(メタデータ) (2021-12-09T07:11:14Z) - Continuous Learning and Adaptation with Membrane Potential and
Activation Threshold Homeostasis [91.3755431537592]
本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。
このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。
実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
論文 参考訳(メタデータ) (2021-04-22T04:01:32Z) - Learn to cycle: Time-consistent feature discovery for action recognition [83.43682368129072]
時間的変動を一般化することは、ビデオにおける効果的な行動認識の前提条件である。
Squeeze Re Temporal Gates (SRTG) を導入する。
SRTPGブロックを使用する場合,GFLOの数は最小限に抑えられ,一貫した改善が見られた。
論文 参考訳(メタデータ) (2020-06-15T09:36:28Z)
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。