論文の概要: Fitness and Overfitness: Implicit Regularization in Evolutionary Dynamics
- arxiv url: http://arxiv.org/abs/2508.03187v1
- Date: Tue, 05 Aug 2025 07:52:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-06 18:18:55.85129
- Title: Fitness and Overfitness: Implicit Regularization in Evolutionary Dynamics
- Title（参考訳）: 適合性と過度性:進化力学における暗黙の規則化
- Authors: Hagai Rappeport, Mor Nitzan,
- Abstract要約: 進化力学と学習理論の数学的同型を利用して,進化する生物の複雑性と環境の複雑さの関係を考察する。
これらの結果は、環境の複雑さと一致するように進化する生物の複雑さと解釈される進化的な環境へと自然に引き継がれるかを示す。
以上の結果から,過度適応と過渡的環境特性のバランスと,環境問題に対応するための柔軟性の不足が,最適な複雑性の出現を促すことが示唆された。
- 参考スコア（独自算出の注目度）: 1.243080988483032
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A common assumption in evolutionary thought is that adaptation drives an increase in biological complexity. However, the rules governing evolution of complexity appear more nuanced. Evolution is deeply connected to learning, where complexity is much better understood, with established results on optimal complexity appropriate for a given learning task. In this work, we suggest a mathematical framework for studying the relationship between evolved organismal complexity and enviroenmntal complexity by leveraging a mathematical isomorphism between evolutionary dynamics and learning theory. Namely, between the replicator equation and sequential Bayesian learning, with evolving types corresponding to competing hypotheses and fitness in a given environment to likelihood of observed evidence. In Bayesian learning, implicit regularization prevents overfitting and drives the inference of hypotheses whose complexity matches the learning challenge. We show how these results naturally carry over to the evolutionary setting, where they are interpreted as organism complexity evolving to match the complexity of the environment, with too complex or too simple organisms suffering from \textit{overfitness} and \textit{underfitness}, respectively. Other aspects, peculiar to evolution and not to learning, reveal additional trends. One such trend is that frequently changing environments decrease selected complexity, a result with potential implications to both evolution and learning. Together, our results suggest that the balance between over-adaptation to transient environmental features, and insufficient flexiblity in responding to environmental challenges, drives the emergence of optimal complexity, reflecting environmental structure. This framework offers new ways of thinking about biological complexity, suggesting new potential causes for it to increase or decrease in different environments.
- Abstract（参考訳）: 進化的思考における一般的な仮定は、適応が生物学的複雑性を増大させるというものである。
しかし、複雑性の進化を規定する規則は、より曖昧に見える。
進化は学習と深く結びついており、そこでは複雑性がよりよく理解され、与えられた学習タスクに適した最適な複雑さに関する確立された結果が得られます。
本研究では、進化力学と学習理論の数学的同型を利用して、進化する生物の複雑さと環境の複雑さの関係を研究する数学的枠組みを提案する。
すなわち、レプリケータ方程式とシーケンシャルベイズ学習の間には、ある環境における競合する仮説と適合性に対応する進化型があり、観察された証拠の可能性を秘めている。
ベイズ学習において、暗黙の正規化は過度な適合を防ぎ、複雑さが学習課題と一致する仮説の推論を促進する。
これらの結果は、環境の複雑さと一致するように進化する生物の複雑さとして解釈され、それぞれが‘textit{overfitness’と‘textit{underfitness’に苦しむあまりに複雑または単純な生物である。
進化に特有で、学習に特有な他の側面は、追加の傾向を明らかにします。
そのような傾向の1つは、頻繁に変化する環境は選択された複雑さを減少させ、進化と学習の両方に潜在的に影響を及ぼす。
その結果,過度適応と過渡的環境特性のバランスと,環境問題に対応するための柔軟性の不足が,環境構造を反映した最適な複雑性の出現を促すことが示唆された。
このフレームワークは、生物学的複雑さについて考える新しい方法を提供し、異なる環境で増加または減少する新たな潜在的な原因を示唆している。
関連論文リスト
- Evolution imposes an inductive bias that alters and accelerates learning dynamics [49.1574468325115]
進化的最適化がニューラルネットワークの学習力学に与える影響について検討する。
我々は,アルゴリズムの自然選択とオンライン学習を組み合わせて,ニューラルネットワークの進化的条件付け手法を開発した。
結果は、進化はニューラルネットワークをチューニングして迅速な学習を可能にする誘導バイアスを構成することを示唆している。
論文 参考訳（メタデータ） (2025-05-15T18:50:57Z) - Predictability Shapes Adaptation: An Evolutionary Perspective on Modes of Learning in Transformers [51.992454203752686]
トランスフォーマーモデルは、IWL(In-weights Learning)とICL(In-context Learning)の2つの異なるモードで学習する。
我々は進化生物学の類似した適応戦略である遺伝的エンコーディングと表現型可塑性からインスピレーションを得ている。
我々はこれらの予測可能性の次元を実験的に運用し、トランスフォーマーのICL/IWLバランスへの影響について検討する。
論文 参考訳（メタデータ） (2025-05-14T23:31:17Z) - 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) - Case Study of Novelty, Complexity, and Adaptation in a Multicellular System [0.0]
DISHTINYシミュレーションシステムを用いたケーススタディにおいて、新規性、複雑さ、適応の共進化を追究する。
定性的に異なる10個の多細胞形態を記述し、その一部は非対称な成長と異なる生活段階を示す。
私たちのケーススタディは、新奇性、複雑さ、適応の間に緩やかな(時には相違する)関係が存在することを示唆しています。
論文 参考訳（メタデータ） (2024-05-12T10:13:36Z) - When Large Language Models Meet Evolutionary Algorithms: Potential Enhancements and Challenges [50.280704114978384]
事前訓練された大規模言語モデル(LLM)は、自然なテキストを生成する強力な能力を示す。
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。
論文 参考訳（メタデータ） (2024-01-19T05:58:30Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - Reinforcement Learning for Control of Evolutionary and Ecological Processes [0.0]
本稿では,エコロジーと生理学の両方を計算としてモデル化し,進化ゲームの定式化を導入する。
我々は,進化する細胞の個体群を制御するためのアルゴリズム的問題に対して,その先駆的な結果を開発した。
論文 参考訳（メタデータ） (2023-05-05T07:45:28Z) - 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) - Towards a Theory of Evolution as Multilevel Learning [0.0]
生命の起源を含む生物学的進化の理論を多段階学習として発展させるために, 物理的に再正規化可能なシステムに学習理論を適用した。
我々は、宇宙を観測可能なものにするのに必要で十分と思われる進化の7つの基本原理を定式化する。
これらの原理は、複製や自然選択を含む生物進化の主要な特徴を包含していることを示す。
論文 参考訳（メタデータ） (2021-10-27T17:21:16Z) - 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) - 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)
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。