論文の概要: Genes in Intelligent Agents

• arxiv url: http://arxiv.org/abs/2306.10225v2
• Date: Fri, 27 Oct 2023 14:10:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-30 17:26:38.179432
• 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, Xu Yang and Xin Geng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 45.93363823594323
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The genes in nature give the lives on earth the current biological intelligence through transmission and accumulation over billions of years. Inspired by the biological intelligence, artificial intelligence (AI) has devoted to building the machine intelligence. Although it has achieved thriving successes, the machine intelligence still lags far behind the biological intelligence. The reason may lie in that animals are born with some intelligence encoded in their genes, but machines lack such intelligence and learn from scratch. Inspired by the genes of animals, we define the ``genes'' of machines named as the ``learngenes'' and propose the Genetic Reinforcement Learning (GRL). GRL is a computational framework that simulates the evolution of organisms in reinforcement learning (RL) and leverages the learngenes to learn and evolve the intelligence agents. Leveraging GRL, we first show that the learngenes take the form of the fragments of the agents' neural networks and can be inherited across generations. Second, we validate that the learngenes can transfer ancestral experience to the agents and bring them instincts and strong learning abilities. Third, we justify the Lamarckian inheritance of the intelligent agents and the continuous evolution of the learngenes. Overall, the learngenes have taken the machine intelligence one more step toward the biological intelligence.
• Abstract（参考訳）: 自然界の遺伝子は、何十億年もの間、伝達と蓄積を通じて地球上の生命に現在の生物学的知性を与える。 バイオインテリジェンスにインスパイアされた人工知能(AI)は、マシンインテリジェンスの構築に力を入れている。 成功はしたものの、マシンインテリジェンスはまだ生物学的インテリジェンスよりずっと遅れている。 その理由は、動物は遺伝子にエンコードされた知性をもって生まれるが、機械はそのような知性に欠け、スクラッチから学習するからだ。 動物の遺伝子にインスパイアされ、'learngenes'と命名された機械の'`genes'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。 GRLを利用すると、まず学習遺伝子がエージェントのニューラルネットワークの断片の形を取り、世代にわたって継承できることが示される。 第2に、学習遺伝子がエージェントに祖先経験を伝達し、本能と強力な学習能力をもたらすことを検証する。 第3に、知的エージェントのラマルク的継承と学習遺伝子の継続的な進化を正当化する。 全体として、学習者は機械知能を生物学的知性に向けてさらに一歩前進させた。

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。