論文の概要: Emergent Heterogeneous Swarm Control Through Hebbian Learning
- arxiv url: http://arxiv.org/abs/2507.11566v1
- Date: Mon, 14 Jul 2025 18:59:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-17 19:00:11.071406
- Title: Emergent Heterogeneous Swarm Control Through Hebbian Learning
- Title（参考訳）: ヘビアン学習による創発的異種群制御
- Authors: Fuda van Diggelen, Tugay Alperen Karagüzel, Andres Garcia Rincon, A. E. Eiben, Dario Floreano, Eliseo Ferrante,
- Abstract要約: 我々は,ヘビアン学習を群ロボットの新しい手法として導入し,不均一性の自動発生を可能にした。
ヘビアン学習は、局所的な学習規則を通じて、単一エージェントに創発的な現象をもたらす複雑さを取り除く。
群レベルの振る舞いに基づくヘビーンの学習規則の進化は、広範な事前知識の必要性を最小化する。
また、標準的なベンチマークタスクにおいて、Hebbianの学習ルールの進化がMulti Agent Reinforcement Learningの有効な代替となることを実証している。
- 参考スコア（独自算出の注目度）: 6.701808556659753
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we introduce Hebbian learning as a novel method for swarm robotics, enabling the automatic emergence of heterogeneity. Hebbian learning presents a biologically inspired form of neural adaptation that solely relies on local information. By doing so, we resolve several major challenges for learning heterogeneous control: 1) Hebbian learning removes the complexity of attributing emergent phenomena to single agents through local learning rules, thus circumventing the micro-macro problem; 2) uniform Hebbian learning rules across all swarm members limit the number of parameters needed, mitigating the curse of dimensionality with scaling swarm sizes; and 3) evolving Hebbian learning rules based on swarm-level behaviour minimises the need for extensive prior knowledge typically required for optimising heterogeneous swarms. This work demonstrates that with Hebbian learning heterogeneity naturally emerges, resulting in swarm-level behavioural switching and in significantly improved swarm capabilities. It also demonstrates how the evolution of Hebbian learning rules can be a valid alternative to Multi Agent Reinforcement Learning in standard benchmarking tasks.
- Abstract（参考訳）: 本稿では,ヘビアン学習をスムムロボティクスの新しい手法として紹介し,不均一性の自動発生を可能にする。
ヘビアンラーニング(Hebbian learning)は、局所的な情報のみに依存する生物学的にインスパイアされた神経適応の形式を示す。
そうすることで、異種制御を学ぶためのいくつかの大きな課題を解決します。
1)ヘビアンラーニングは,局所学習規則を通じて単一エージェントに創発現象をもたらす複雑さを排除し,マイクロマクロ問題を回避する。
2) ヘブライ語学習規則は,すべてのスワム部材に共通して必要となるパラメータの数を制限し,スワムサイズを拡大することで次元性の呪いを緩和する。
3) ヘビアン学習規則の進化は, 異種群を最適化するのに通常必要となる, 広範囲にわたる事前知識の必要性を最小化する。
この研究は、ヘビアン学習の不均一性が自然に出現し、結果として、スワムレベルの振る舞いの切り替えと、スワム機能を大幅に改善することを示した。
また、標準的なベンチマークタスクにおいて、Hebbianの学習ルールの進化がMulti Agent Reinforcement Learningの有効な代替となることを実証している。
関連論文リスト
- Lifelong Evolution of Swarms [14.759766700116723]
以前の知識を忘れずにタスクの変更に適応することは、インテリジェントシステムにとって重要なスキルである。
本研究では,Swarmコントローラの個体群が動的環境下で進化する,生涯にわたるSwarmの進化的枠組みを紹介する。
人口は過去の課題に関する情報を本質的に保存しており、それを再利用して適応を促進し、忘れを和らげることができる。
論文 参考訳（メタデータ） (2025-03-22T13:08:31Z) - Life, uh, Finds a Way: Hyperadaptability by Behavioral Search [2.163881720692685]
本稿では,自己修正探索手順の物理的表現としての行動のフレーム化について提案する。
ランダムに探索するのではなく、無限の連続挙動を動的に順序付けすることで、堅牢な問題解決を実現する。
このフレームワークは、発達学習のための新しい理論モデルを提供し、複雑なスキルを自律的に習得できるロボットの道を開く。
論文 参考訳（メタデータ） (2024-10-02T09:06:54Z) - Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning [78.38442423223832]
我々は、新しいコードブック事前学習タスク、すなわちマスク付きマイクロ環境モデリングを開発する。
突然変異効果予測において、最先端の事前学習法よりも優れた性能と訓練効率を示す。
論文 参考訳（メタデータ） (2024-05-16T03:53:21Z) - Incorporating Neuro-Inspired Adaptability for Continual Learning in
Artificial Intelligence [59.11038175596807]
継続的な学習は、現実世界に強い適応性を持つ人工知能を強化することを目的としている。
既存の進歩は主に、破滅的な忘れを克服するために記憶安定性を維持することに焦点を当てている。
本稿では,学習の可塑性を改善するため,パラメータ分布の古い記憶を適切に減衰させる汎用的手法を提案する。
論文 参考訳（メタデータ） (2023-08-29T02:43:58Z) - Meta-Learning Adversarial Bandit Algorithms [55.72892209124227]
我々は,バンディットフィードバックを用いたオンラインメタラーニングについて研究する。
我々は自己協和障壁正規化器を用いてオンラインミラー降下一般化(OMD)をチューニングすることを学ぶ。
論文 参考訳（メタデータ） (2023-07-05T13:52:10Z) - Understandable Controller Extraction from Video Observations of Swarms [0.0]
スワムの挙動はエージェントと環境の局所的な相互作用から生じ、しばしば単純な規則として符号化される。
ビデオデモから理解可能なSwarmコントローラを自動的に抽出する手法を開発した。
論文 参考訳（メタデータ） (2022-09-02T15:28:28Z) - Evolving and Merging Hebbian Learning Rules: Increasing Generalization
by Decreasing the Number of Rules [9.387749254963595]
訓練後のアウト・オブ・ディストリビューション状況への一般化は、人工エージェントにとって依然として課題である。
我々はヘビアン学習ルールの集合を進化させ、複数の接続を1つのルールに割り当てる。
ネットワーク内の複数の接続が同じローカル学習ルールを共有することで、トレーニング可能なパラメータの数を劇的に削減できることを示す。
論文 参考訳（メタデータ） (2021-04-16T08:24:19Z) - Variable-Shot Adaptation for Online Meta-Learning [123.47725004094472]
従来のタスクから静的データにまたがるメタラーニングによって,少数の固定された例から新しいタスクを学習する問題について検討する。
メタラーニングは,従来の教師付き手法に比べて,ラベルの総数が少なく,累積性能も高いタスクセットを解く。
これらの結果から,メタラーニングは,一連の問題を継続的に学習し,改善する学習システムを構築する上で重要な要素であることが示唆された。
論文 参考訳（メタデータ） (2020-12-14T18:05:24Z) - Testing the Genomic Bottleneck Hypothesis in Hebbian Meta-Learning [11.416394411512686]
Hebbianメタラーニングは、最近、ハード強化学習問題を解決することを約束している。
これらのアプローチの各シナプスは、非常に特定の学習規則を学習できるため、非常に異なる状況に一般化する能力は減少する可能性が高い。
我々は、ヘビアン学習規則の数を「ゲノムボトルネック」によって制限することは、正規化要因として機能する可能性があると仮定する。
論文 参考訳（メタデータ） (2020-11-13T08:49:15Z) - Meta-Learning through Hebbian Plasticity in Random Networks [12.433600693422235]
生涯学習と適応性は生物学的エージェントの2つの決定的な側面である。
この生物学的メカニズムに着想を得て,シナプス固有のヘビアン学習規則のみを探索する探索法を提案する。
完全にランダムな重みから始めると、発見されたヘビーンの規則により、エージェントは動的2Dピクセル環境をナビゲートできる。
論文 参考訳（メタデータ） (2020-07-06T14:32:31Z) - Self-supervised Knowledge Distillation for Few-shot Learning [123.10294801296926]
少数のサンプルだけで秩序分布から素早く学習できるため、ショットラーニングは有望な学習パラダイムである。
数ショットの学習タスクにおいて,深層ニューラルネットワークの表現能力を向上させるための簡単な手法を提案する。
実験により、第一段階においても、自己超越は現在の最先端手法より優れていることが示された。
論文 参考訳（メタデータ） (2020-06-17T11:27:00Z) - Towards Efficient Processing and Learning with Spikes: New Approaches
for Multi-Spike Learning [59.249322621035056]
各種タスクにおける他のベースラインよりも優れた性能を示すための2つの新しいマルチスパイク学習ルールを提案する。
特徴検出タスクでは、教師なしSTDPの能力と、その制限を提示する能力を再検討する。
提案した学習ルールは,特定の制約を適用せずに,幅広い条件で確実にタスクを解くことができる。
論文 参考訳（メタデータ） (2020-05-02T06:41:20Z)
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。