論文の概要: Growing Reservoirs with Developmental Graph Cellular Automata

• arxiv url: http://arxiv.org/abs/2508.08091v1
• Date: Mon, 11 Aug 2025 15:32:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.173861
• Title: Growing Reservoirs with Developmental Graph Cellular Automata
• Title（参考訳）: 生長グラフセルオートマタを用いた貯留層の成長
• Authors: Matias Barandiaran, James Stovold,
• Abstract要約: 発達型グラフセルオートマタは形態形成の新しいモデルである。 本稿では, 貯水池を育成するためにDGCAsを訓練できることを述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Developmental Graph Cellular Automata (DGCA) are a novel model for morphogenesis, capable of growing directed graphs from single-node seeds. In this paper, we show that DGCAs can be trained to grow reservoirs. Reservoirs are grown with two types of targets: task-driven (using the NARMA family of tasks) and task-independent (using reservoir metrics). Results show that DGCAs are able to grow into a variety of specialized, life-like structures capable of effectively solving benchmark tasks, statistically outperforming `typical' reservoirs on the same task. Overall, these lay the foundation for the development of DGCA systems that produce plastic reservoirs and for modeling functional, adaptive morphogenesis.
• Abstract（参考訳）: Developmental Graph Cellular Automata (DGCA)は、単一ノードの種子から有向グラフを成長させる新しい形態形成モデルである。 本稿では, 貯水池を育成するためにDGCAsを訓練できることを述べる。 Reservoirsは、タスク駆動(NARMAファミリのタスクを使用する)とタスク非依存(貯水池メトリクスを使用する)の2つのタイプのターゲットで成長している。 その結果、DGCAは、ベンチマークタスクを効果的に解き、同じタスクで統計的に「典型的」貯水池よりも優れている、様々な専門的なライフライクな構造に成長できることが示された。 全体として、これらはプラスチック貯水池を生産し、機能的で適応的な形態形成をモデル化するDGCAシステムの開発の基礎となった。

関連論文リスト

• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation [83.52157311471693]
  方向性非巡回グラフ(DAG)の条件生成のための半自己回帰拡散モデルSeaDAGを紹介する。 グローバルグラフ構造を欠いた従来の自己回帰生成とは異なり,本手法は拡散ステップ毎に完全なグラフ構造を保持する。 本研究では,現実的なDAGを生成する拡散モデルの能力を高めるために,条件損失を伴うグラフ条件学習を明示的に訓練する。
  論文  参考訳（メタデータ） (2024-10-21T15:47:03Z)
• Unifying Generation and Prediction on Graphs with Latent Graph Diffusion [24.505897569096476]
  グラフ学習タスクを各レベルのタスクで解くための,最初のフレームワークを提案する。 まず、回帰を含む予測タスクを一般的な(条件付き)生成フレームワークに分類する。 次に、各カテゴリのノード、エッジ、グラフレベルの特徴を同時に生成できる生成モデルであるLatent Graph Diffusion (LGD)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:03:47Z)
• SugarViT -- Multi-objective Regression of UAV Images with Vision Transformers and Deep Label Distribution Learning Demonstrated on Disease Severity Prediction in Sugar Beet [3.2925222641796554]
  この研究は、大規模植物固有の特徴アノテーションを自動化するための機械学習フレームワークを導入する。 我々は、SugarViTと呼ばれる重症度評価のための効率的なビジョントランスフォーマーモデルを開発した。 この特殊なユースケースでモデルは評価されるが、様々な画像に基づく分類や回帰タスクにも可能な限り汎用的に適用可能である。
  論文  参考訳（メタデータ） (2023-11-06T13:01:17Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Generic-to-Specific Distillation of Masked Autoencoders [119.21281960831651]
  マスク付きオートエンコーダによって事前訓練された大型モデルの監督下で, 小型ViTモデルのポテンシャルを活かすため, 汎用型蒸留法(G2SD)を提案する。 G2SDでは、バニラViT-Smallモデルは98.7%、98.1%、99.3%のパフォーマンスを画像分類、オブジェクト検出、セマンティックセグメンテーションのために達成している。
  論文  参考訳（メタデータ） (2023-02-28T17:13:14Z)

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。