論文の概要: Learning and evolution: factors influencing an effective combination
- arxiv url: http://arxiv.org/abs/2306.11761v1
- Date: Tue, 20 Jun 2023 09:03:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 16:23:54.220502
- Title: Learning and evolution: factors influencing an effective combination
- Title(参考訳): 学習と進化:効果的な組み合わせに影響を与える要因
- Authors: Paolo Pagliuca
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The mutual relationship between evolution and learning is a controversial
argument among the artificial intelligence and neuro-evolution communities.
After more than three decades, there is still no common agreement on the
matter. In this paper the author investigates whether combining learning and
evolution permits to find better solutions than those discovered by evolution
alone. More specifically, the author presents a series of empirical studies
that highlight some specific conditions determining the success of such a
combination, like the introduction of noise during the learning and selection
processes. Results are obtained in two qualitatively different domains, where
agent/environment interactions are minimal or absent.
- Abstract(参考訳): 進化と学習の相互関係は、人工知能と神経進化コミュニティの間で議論の的となっている。
30年以上経っても、この問題に関する共通合意はいまだに存在しない。
本稿では,学習と進化の組み合わせによって,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考察する。
より具体的には、学習と選択過程におけるノイズの導入など、このような組み合わせの成功を決定するいくつかの特定の条件を強調する実験的な研究のシリーズを紹介する。
結果は2つの質的な異なる領域で得られ、エージェント/環境相互作用は最小か欠落である。
関連論文リスト
- A match made in consistency heaven: when large language models meet
evolutionary algorithms [51.087936554483804]
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。
テキストシーケンスの生成と進化の共通の集合性と方向性に動機づけられた本論文は,LLMとEAの強い一貫性を示す。
論文 参考訳(メタデータ) (2024-01-19T05:58:30Z) - DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary
Intelligence [77.78795329701367]
本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。
我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。
今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
論文 参考訳(メタデータ) (2023-12-08T16:51:10Z) - 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) - The Evolution theory of Learning: From Natural Selection to
Reinforcement Learning [0.0]
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。
論文 参考訳(メタデータ) (2023-06-16T16:44:14Z) - On Evolvability and Behavior Landscapes in Neuroevolutionary Divergent
Search [0.0]
進化性(Evolvability)とは、個々の遺伝子型が相互に多様な表現型を持つ子孫を産み出す能力である。
近年の研究では、発散探索法が選択的圧力を暗黙的に生成することで、進化性を促進することが示されている。
本稿では,神経進化的分岐探索と進化可能性の関係について,新しい視点を提供する。
論文 参考訳(メタデータ) (2023-06-16T13:46:55Z) - Causal Deep Learning [77.49632479298745]
因果性は、現実世界の問題を解決する方法を変える可能性がある。
しかし因果関係は、実際にテストできない重要な仮定を必要とすることが多い。
我々は、因果性に関する新しい考え方を提案します。
論文 参考訳(メタデータ) (2023-03-03T19:19:18Z) - Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。
知識の抽出と知識の記憶という2つの側面から問題に取り組む。
提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
論文 参考訳(メタデータ) (2022-08-27T09:27:36Z) - 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) - 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) - On the Baldwin Effect under Coevolution [0.0]
本稿では,共進化シナリオにおける学習と進化の相互作用について考察する。
NKCSモデルを用いて、学習の量と進化の相対速度がどのように行動を変えるかを示す。
論文 参考訳(メタデータ) (2020-04-29T10:45:41Z)
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。