論文の概要: Genes in Intelligent Agents

• arxiv url: http://arxiv.org/abs/2306.10225v1
• Date: Sat, 17 Jun 2023 01:24:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 23:33:29.682466
• Title: Genes in Intelligent Agents
• Title（参考訳）: インテリジェントエージェントの遺伝子
• Authors: Fu Feng, Jing Wang, Congzhi Zhang, Wenqian Li, Xu Yang and Xin Geng
• Abstract要約: 我々は、インテリジェントエージェントに遺伝子を概念化し、遺伝子(エージェント)を表現し、評価し、進化させる計算フレームワークである遺伝子強化学習(GRL)を導入する。 まず、遺伝子はエージェントのニューラルネットワークの断片の形をとり、世代にわたって遺伝することができる。 第2に、遺伝子は祖先からの知識を凝縮させ、自然能力を持つエージェントをもたらすので、エージェントにより良い、より安定した学習能力をもたらすことを検証する。 第三に、知的エージェントにおけるラマルク進化の証拠を示す。世代間での知識の継続的なコード化は、遺伝子の進化を促進する。
• 参考スコア（独自算出の注目度）: 37.89287184549862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training intelligent agents in Reinforcement Learning (RL) is much more time-consuming than animal learning. This is because agents learn from scratch, but animals learn with genes inherited from ancestors and are born with some innate abilities. Inspired by genes in animals, here we conceptualize the gene in intelligent agents and introduce Genetic Reinforcement Learning (GRL), a computational framework to represent, evaluate, and evolve genes (in agents). Leveraging GRL we identify genes and demonstrate several advantages of genes. First, we find that genes take the form of the fragment of agents' neural networks and can be inherited across generations. Second, we validate that genes bring better and stabler learning ability to agents, since genes condense knowledge from ancestors and bring agent with innate abilities. Third, we present evidence of Lamarckian evolution in intelligent agents. The continuous encoding of knowledge into genes across generations facilitates the evolution of genes. Overall, our work promotes a novel paradigm to train agents by incorporating genes.
• Abstract（参考訳）: 強化学習(RL)における知的エージェントの訓練は、動物学習よりもはるかに時間がかかる。 これは、エージェントはゼロから学ぶが、動物は祖先から受け継がれた遺伝子で学習し、生まれながらの能力で生まれるためである。 動物における遺伝子に触発され、インテリジェントエージェントの遺伝子を概念化し、遺伝子(エージェント)を表現、評価、進化させる計算フレームワークである遺伝子強化学習(GRL)を導入する。 GRLを活用することで、遺伝子を同定し、遺伝子のいくつかの利点を示す。 まず、遺伝子はエージェントのニューラルネットワークの断片の形をとり、世代にわたって遺伝することができる。 第2に、遺伝子は祖先からの知識を凝縮し、生来の能力を持つエージェントをもたらすため、エージェントにより良い、より安定した学習能力をもたらすことを検証します。 第3に,知的エージェントにおけるラマルキアン進化の証拠を示す。 世代をまたがる遺伝子への知識の継続的なエンコーディングは、遺伝子の進化を促進する。 全体として、我々の研究は遺伝子を組み込んでエージェントを訓練するための新しいパラダイムを促進する。

関連論文リスト

• Bio-inspired AI: Integrating Biological Complexity into Artificial Intelligence [0.0]
  人工知能を作ることの追求は、私たち自身の知性を理解することへの長年の関心を反映している。 最近のAIの進歩は約束を守るが、特異なアプローチはしばしば知性の本質を捉えるのに不足する。 本稿では,生物計算の基本原理が真にインテリジェントなシステムの設計をいかに導くかを検討する。
  論文  参考訳（メタデータ） (2024-11-22T02:55:39Z)
• Transferring Core Knowledge via Learngenes [45.651726289932334]
  本稿では,生物の進化過程をニューラルネットワークにコピーする遺伝子伝達学習(GTL)フレームワークを提案する。 GTLはネットワークの集団を訓練し、トーナメントによって優れた学習遺伝子を選択し、学習遺伝子変異を実行し、学習遺伝子を次の世代に渡す。 学習遺伝子は、子孫ネットワークの本能と強力な学習能力をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-01-16T06:18:11Z)
• The Generative AI Paradox: "What It Can Create, It May Not Understand" [81.89252713236746]
  生成AIの最近の波は、潜在的に超人的な人工知能レベルに対する興奮と懸念を引き起こしている。 同時に、モデルは、専門家でない人でも期待できないような理解の基本的な誤りを示している。 一見超人的な能力と、ごく少数の人間が起こすエラーの持続性を、どうやって再現すればよいのか?
  論文  参考訳（メタデータ） (2023-10-31T18:07:07Z)
• Lamarck's Revenge: Inheritance of Learned Traits Can Make Robot Evolution Better [2.884244918665901]
  「もし18世紀の生物学者ラマルクが完全に間違っておらず、生涯に学んだ個々の特性が継承を通じて子孫に受け継がれるとしたらどうだろう。」 この枠組みでは、学習した脳のビットが継承可能なラマルク系と、そうでないダーウィン系を比較する。
  論文  参考訳（メタデータ） (2023-09-22T15:29:15Z)
• 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 Nature of Intelligence [0.0]
  人間とAIの両方で一般的に表現される知性の本質は不明である。 インテリジェンスの性質は,システムエントロピーを最小限に抑える数学的に機能する一連のプロセスであることを示す。 このエッセイは、宇宙と私たちを人間としてより深く理解するための出発点となるべきです。
  論文  参考訳（メタデータ） (2023-07-20T23:11:59Z)
• 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)
• Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
  興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。 この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。 これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
  論文  参考訳（メタデータ） (2020-11-30T18:29:25Z)
• 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。

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。