論文の概要: Phylogeny-Informed Interaction Estimation Accelerates Co-Evolutionary Learning

• arxiv url: http://arxiv.org/abs/2404.06588v1
• Date: Tue, 9 Apr 2024 19:29:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-11 16:08:54.332730
• Title: Phylogeny-Informed Interaction Estimation Accelerates Co-Evolutionary Learning
• Title（参考訳）: フィロジェニーインフォームドインタラクション推定は共進化学習を加速させる
• Authors: Jack Garbus, Thomas Willkens, Alexander Lalejini, Jordan Pollack,
• Abstract要約: 本稿では、系統解析を用いて相互作用結果を推定する系統情報インフォームドインタラクション推定手法を提案する。 系統的インフォームド推定は,問題解決に必要な計算量を大幅に削減できることがわかった。
• 参考スコア（独自算出の注目度）: 42.642008092347986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Co-evolution is a powerful problem-solving approach. However, fitness evaluation in co-evolutionary algorithms can be computationally expensive, as the quality of an individual in one population is defined by its interactions with many (or all) members of one or more other populations. To accelerate co-evolutionary systems, we introduce phylogeny-informed interaction estimation, which uses runtime phylogenetic analysis to estimate interaction outcomes between individuals based on how their relatives performed against each other. We test our interaction estimation method with three distinct co-evolutionary systems: two systems focused on measuring problem-solving success and one focused on measuring evolutionary open-endedness. We find that phylogeny-informed estimation can substantially reduce the computation required to solve problems, particularly at the beginning of long-term evolutionary runs. Additionally, we find that our estimation method initially jump-starts the evolution of neural complexity in our open-ended domain, but estimation-free systems eventually "catch-up" if given enough time. More broadly, continued refinements to these phylogeny-informed interaction estimation methods offers a promising path to reducing the computational cost of running co-evolutionary systems while maintaining their open-endedness.
• Abstract（参考訳）: 共進化は強力な問題解決アプローチである。 しかし、共進化的アルゴリズムの適合性評価は、1つの集団の個体の質が1つ以上の集団の多くの(または全て)メンバーとの相互作用によって定義されるため、計算的にコストがかかる可能性がある。 共同進化系を加速するために, 個体間の相互作用の成果を, 親類同士の相互作用がどのように行われたかに基づいて推定するために, 実行時系統解析を用いた系統情報による相互作用推定を導入する。 2つのシステムは問題解決の成功度を計測することに集中しており、もう1つは進化的開放度を計測することに焦点を当てている。 系統的インフォームド推定は、特に長期進化の初期段階において、問題解決に必要な計算を大幅に削減できることがわかった。 さらに、我々の推定手法は、最初はオープンエンドドメインの神経複雑性の進化を開始するが、十分な時間があれば、見積もり不要なシステムは最終的に"キャッチアップ"する。 より広範に、これらの系統的インフォームド相互作用推定手法の継続的な改良は、開度を維持しながら共進化的システムを実行する際の計算コストを減らし、有望な経路を提供する。

関連論文リスト

• Neural Amortized Inference for Nested Multi-agent Reasoning [54.39127942041582]
  本研究では,人間のような推論能力と計算限界のギャップを埋める新しい手法を提案する。 提案手法を2つの挑戦的マルチエージェント相互作用領域で評価する。
  論文  参考訳（メタデータ） (2023-08-21T22:40:36Z)
• Phylogeny-informed fitness estimation [58.720142291102135]
  本研究では, 住民の健康評価を推定するために, フィロジェニーを利用した適合度推定手法を提案する。 以上の結果から, 植物性インフォームドフィットネス推定は, ダウンサンプドレキシケースの欠点を軽減することが示唆された。 この研究は、ランタイム系統解析を利用して進化アルゴリズムを改善するための最初のステップとなる。
  論文  参考訳（メタデータ） (2023-06-06T19:05:01Z)
• Biophysical Cybernetics of Directed Evolution and Eco-evolutionary Dynamics [0.0]
  我々は、生態学と個々の遺伝子型/フェノタイプの両方の複雑さをマップする双対性を導入する。 我々は、部分的に観察可能なマルコフ決定プロセスという形で「直接進化」の問題に対処する。 これは、非常に一般的なタイプのエコ進化軌道を研究するという、難解なケースを提供する。
  論文  参考訳（メタデータ） (2023-05-05T07:45:28Z)
• When to be critical? Performance and evolvability in different regimes of neural Ising agents [18.536813548129878]
  臨界状態に近い状態での操作は、自然、人工的およびそれらの進化システムにとって有益である、という仮説は長年にわたって仮説化されてきた。 我々はこの仮説を、ニューラルネットワークによって制御される進化的捕食エージェントのシステムでテストする。 驚くべきことに、ソリューションを発見するすべての人口は、亜臨界状態へと進化する。
  論文  参考訳（メタデータ） (2023-03-28T17:57:57Z)
• Predicting the long-term collective behaviour of fish pairs with deep learning [52.83927369492564]
  本研究では,魚種Hemigrammus rhodostomusの社会的相互作用を評価するための深層学習モデルを提案する。 我々は、ディープラーニングのアプローチの結果と実験結果と、最先端の分析モデルの結果を比較した。 機械学習モデルにより、ソーシャルインタラクションは、微妙な実験的観測可能な解析的相互作用と直接競合できることを実証する。
  論文  参考訳（メタデータ） (2023-02-14T05:25:03Z)
• Learning Swarm Interaction Dynamics from Density Evolution [0.0]
  生物群や人工群集の協調運動を理解することの問題点を考察する。 本稿では,2対の相互作用に基づくスワムの力学をCucker-Smale flockingモデルに基づいて記述する。 我々は,Swarmの密度進化の観測から相互作用するエージェントのダイナミクスを学習するために,拡張システムを反復最適化スキームに組み込む。
  論文  参考訳（メタデータ） (2021-12-05T20:18:48Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)
• A Comparative Study of Machine Learning Methods for Predicting the Evolution of Brain Connectivity from a Baseline Timepoint [0.0]
  コネクトームとも呼ばれる脳ネットワークの進化を予測することで、接続に関連する神経疾患を早期に発見することができる。 私たちはKaggleコンペティションを開催し、20の競合チームが単一の時間ポイントから脳の接続性進化を予測するための高度な機械学習パイプラインを設計しました。
  論文  参考訳（メタデータ） (2021-09-16T06:13:49Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)

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。