論文の概要: The Evolution theory of Learning: From Natural Selection to Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2306.09961v1
• Date: Fri, 16 Jun 2023 16:44:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-19 12:51:46.807481
• Title: The Evolution theory of Learning: From Natural Selection to Reinforcement Learning
• Title（参考訳）: 学習の進化論:自然選択から強化学習へ
• Authors: Taboubi Ahmed
• Abstract要約: 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。
• 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: Evolution is a fundamental process that shapes the biological world we inhabit, and reinforcement learning is a powerful tool used in artificial intelligence to develop intelligent agents that learn from their environment. In recent years, researchers have explored the connections between these two seemingly distinct fields, and have found compelling evidence that they are more closely related than previously thought. This paper examines these connections and their implications, highlighting the potential for reinforcement learning principles to enhance our understanding of evolution and the role of feedback in evolutionary systems.
• Abstract（参考訳）: 進化は私たちが生きている生物学的世界を形成する基本的なプロセスであり、強化学習は人工知能で環境から学習する知的エージェントを開発するために使用される強力なツールである。 近年、研究者たちはこれら2つの異なる分野のつながりを探究し、それらが以前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見出している。 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。

関連論文リスト

• Evolutionary Reinforcement Learning: A Systematic Review and Future Directions [18.631418642768132]
  進化強化学習(EvoRL)は、複雑な問題解決における強化学習と進化アルゴリズム(EA)の限界に対する解決策である。 EvoRLはEAと強化学習を統合し、知的エージェントを訓練するための有望な道を提供する。 この体系的なレビューは、EvoRLの現状に関する洞察を提供し、人工知能の進化を続ける風景において、その能力を向上させるためのガイドを提供する。
  論文  参考訳（メタデータ） (2024-02-20T02:07:57Z)
• 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)
• Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
  本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。 我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。 本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-12-01T05:20:57Z)
• 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)
• Learning and evolution: factors influencing an effective combination [0.0]
  進化と学習の相互関係は、人工知能と神経進化のコミュニティの間で議論の的になっている。 著者らは、学習と進化を組み合わせることで、進化だけで発見されたものよりも優れた解を見つけることができるかどうかを調査する。
  論文  参考訳（メタデータ） (2023-06-20T09:03:52Z)
• Genes in Intelligent Agents [45.93363823594323]
  動物は遺伝子にコード化された知性を持って生まれるが、機械にはそのような知性がなく、ゼロから学べない。 動物の遺伝子にインスパイアされた「学習遺伝子」と命名された機械の「遺伝子」を定義し、遺伝子強化学習(GRL)を提案する。 GRLは、強化学習(RL)における生物の進化をシミュレートし、学習遺伝子を活用して知能エージェントを学習し、進化させる計算フレームワークである。
  論文  参考訳（メタデータ） (2023-06-17T01:24:11Z)
• 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)
• Towards a Theory of Evolution as Multilevel Learning [0.0]
  生命の起源を含む生物学的進化の理論を多段階学習として発展させるために, 物理的に再正規化可能なシステムに学習理論を適用した。 我々は、宇宙を観測可能なものにするのに必要で十分と思われる進化の7つの基本原理を定式化する。 これらの原理は、複製や自然選択を含む生物進化の主要な特徴を包含していることを示す。
  論文  参考訳（メタデータ） (2021-10-27T17:21:16Z)
• 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)
• Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
  強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。 近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。 転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
  論文  参考訳（メタデータ） (2020-09-16T18:38:54Z)

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。