論文の概要: Meta-Learning an Evolvable Developmental Encoding

• arxiv url: http://arxiv.org/abs/2406.09020v2
• Date: Fri, 5 Jul 2024 08:41:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-08 22:44:48.627431
• Title: Meta-Learning an Evolvable Developmental Encoding
• Title（参考訳）: 進化可能な開発エンコーディングのメタラーニング
• Authors: Milton L. Montero, Erwan Plantec, Eleni Nisioti, Joachim W. Pedersen, Sebastian Risi,
• Abstract要約: 生成モデルはブラックボックス最適化のための学習可能な表現であることを示す。 本稿では,表現の質の多様性を生成する能力を最適化することで,そのような表現をメタ学習できるシステムを提案する。 より詳しくは、我々のメタラーニングアプローチが、開発中に細胞が「DNA」文字列ゲノムの異なる部分に参加することができる1つのニューラルセルオートマタを見つけることができることを示す。
• 参考スコア（独自算出の注目度）: 7.479827648985631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Representations for black-box optimisation methods (such as evolutionary algorithms) are traditionally constructed using a delicate manual process. This is in contrast to the representation that maps DNAs to phenotypes in biological organisms, which is at the hear of biological complexity and evolvability. Additionally, the core of this process is fundamentally the same across nearly all forms of life, reflecting their shared evolutionary origin. Generative models have shown promise in being learnable representations for black-box optimisation but they are not per se designed to be easily searchable. Here we present a system that can meta-learn such representation by directly optimising for a representation's ability to generate quality-diversity. In more detail, we show our meta-learning approach can find one Neural Cellular Automata, in which cells can attend to different parts of a "DNA" string genome during development, enabling it to grow different solvable 2D maze structures. We show that the evolved genotype-to-phenotype mappings become more and more evolvable, not only resulting in a faster search but also increasing the quality and diversity of grown artefacts.
• Abstract（参考訳）: ブラックボックス最適化法(進化アルゴリズムなど)の表現は、伝統的に繊細な手作業で構築されている。 これは、生物の複雑さと進化性に耳を傾ける生物学的生物の表現型にDNAをマッピングする表現とは対照的である。 さらに、この過程の核は基本的にほぼ全ての生命体で同じであり、進化の起源の共有を反映している。 生成モデルはブラックボックス最適化のための学習可能な表現であることを示すが、それらが簡単に検索できるように設計されているわけではない。 本稿では,このような表現をメタ学習できるシステムを提案する。 より詳しくは、我々のメタラーニングアプローチは、開発中に細胞が「DNA」文字列ゲノムの異なる部分に参加することができる1つのニューラルセルラーオートマタを見つけることができ、異なる解像可能な2D迷路構造を成長させることができることを示す。 進化したジェノタイプからフェノタイプへのマッピングは、より高速な探索だけでなく、成長した人工物の品質や多様性も向上することを示す。

関連論文リスト

• Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
  哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。 生体受容の分野からインスピレーションを得る手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:06:22Z)
• 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)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Learning multi-scale functional representations of proteins from single-cell microscopy data [77.34726150561087]
  局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。 また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-24T00:00:07Z)
• Variational Neural Cellular Automata [7.863826008567604]
  自然界では、細胞の成長と分化の過程は、生物の驚くべき多様性をもたらしている。 本稿では, 細胞成長と分化の生物学的過程に着想を得て, 変異細胞オートマタ(VNCA)の生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-01-28T11:41:53Z)
• Heritability in Morphological Robot Evolution [2.7402733069181]
  遺伝性の生物学的概念を導入し,遺伝子型変異による表現型変異の量を把握する。 解析では,2つの異なるエンコーディングから進化した第1世代のロボットの遺伝性を測定した。 遺伝性は遺伝子型と表現型との関係をよりよく理解するための有用なツールであることを示す。
  論文  参考訳（メタデータ） (2021-10-21T14:58:17Z)
• Epigenetic opportunities for Evolutionary Computation [0.0]
  進化計算(Evolutionary Computation)は、複雑な最適化問題を解くために用いられる生物学的にインスパイアされたアルゴリズムのグループである。 遺伝的遺伝からインスピレーションを得る進化的アルゴリズムと、文化的遺伝からインスピレーションを得るSwarm Intelligenceアルゴリズムに分けることができる。 本稿では, 進化的拡張合成に基づく生物学的枠組みの下で, バイオインスパイアされたアルゴリズムを成功裏に分解する。
  論文  参考訳（メタデータ） (2021-08-10T09:44:53Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)
• Population-Based Evolution Optimizes a Meta-Learning Objective [0.6091702876917279]
  メタラーニングと適応的進化性は,一連の学習繰り返しの後,高い性能を最適化する。 我々は、この主張を単純な進化的アルゴリズム、Population-Based Meta Learningで実証する。
  論文  参考訳（メタデータ） (2021-03-11T03:45:43Z)
• Modeling the Evolution of Retina Neural Network [0.0]
  網膜回路は 様々な種類の 類似した構造を示しています 生物網膜に類似した機能を持つ構造を導く遺伝的アルゴリズムを用いた手法を設計する。 我々は、機械学習において、我々のフレームワークがどのようにゴール駆動型検索と持続可能なニューラルネットワークモデルの強化をもたらすかについて論じる。
  論文  参考訳（メタデータ） (2020-11-24T23:57:54Z)
• Neural Cellular Automata Manifold [84.08170531451006]
  ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。 これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。 生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
  論文  参考訳（メタデータ） (2020-06-22T11:41:57Z)

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。