論文の概要: Predator-Prey Model: Driven Hunt for Accelerated Grokking

• arxiv url: http://arxiv.org/abs/2509.10562v1
• Date: Wed, 10 Sep 2025 08:27:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.668104
• Title: Predator-Prey Model: Driven Hunt for Accelerated Grokking
• Title（参考訳）: Predator-Preyモデル:加速グルーキングのための駆動ハント
• Authors: I. A. Lopatin, S. V. Kozyrev, A. N. Pechen,
• Abstract要約: 捕食者と獲物の生物学的挙動をシミュレートする2つのエージェントを用いて,機械学習手法を提案する。 本手法は,従来の学習手法に比べて最大100倍高速な学習を実現す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）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A machine learning method is proposed using two agents that simulate the biological behavior of a predator and a prey. In this method, the predator and the prey interact with each other - the predator chases the prey while the prey runs away from the predator - to perform an optimization on the landscape. This method allows, for the case of a ravine landscape (i.e., a landscape with narrow ravines and with gentle slopes along the ravines) to avoid getting optimization stuck in the ravine. For this, in the optimization over a ravine landscape the predator drives the prey along the ravine. Thus we also call this approach, for the case of ravine landscapes, the driven hunt method. For some examples of grokking (i.e., delayed generalization) problems we show that this method allows for achieving up to a hundred times faster learning compared to the standard learning procedure.
• Abstract（参考訳）: 捕食者と獲物の生物学的挙動をシミュレートする2つのエージェントを用いて,機械学習手法を提案する。 この方法では、捕食者と捕食者は互いに相互作用し、捕食者は獲物を追いかけ、捕食者から逃げる。 この方法では、渓谷の地形(狭い渓谷と穏やかな斜面)の場合には、渓谷に最適化が詰まることを避けることができる。 このために、渓谷の風景を最適化する際、捕食者は渓谷に沿って獲物を駆逐する。 このようにして、この手法を、渓谷景観の場合、駆動狩法と呼ぶ。 グラッキング問題(すなわち、遅れた一般化)のいくつかの例では、この手法が標準学習法に比べて最大100倍高速な学習を可能にすることを示す。

関連論文リスト

• SA-Attack: Speed-adaptive stealthy adversarial attack on trajectory prediction [2.0183079253175724]
  軌道予測は、自動車両の安全な計画と航法に不可欠である。 本稿では,SA-Attack という高速適応型ステルス敵攻撃法を提案する。
  論文  参考訳（メタデータ） (2024-04-19T03:51:46Z)
• Adaptive Human Trajectory Prediction via Latent Corridors [49.13061580045407]
  シーン固有の適応軌道予測の問題を定式化する。 本稿では,潜伏回廊と呼ばれる即時チューニングにインスパイアされた新しい適応手法を提案する。 0.1%の追加モデルパラメータでは、MOTシンスシミュレーションデータの改善が23.9%、MOTおよびワイルドトラックにおけるADEが16.4%となる。
  論文  参考訳（メタデータ） (2023-12-11T18:59:12Z)
• Improving Adversarial Transferability via Intermediate-level Perturbation Decay [79.07074710460012]
  我々は,一段階の最適化で敵の例を再現する新しい中間レベル手法を開発した。 実験結果から, 種々の犠牲者モデルに対する攻撃において, 最先端技術よりも大きな差が認められた。
  論文  参考訳（メタデータ） (2023-04-26T09:49:55Z)
• Coevolution of Camouflage [0.0]
  自然界のカモフラージュは捕食者と獲物との競争から生じているようである。 この研究は、その敵対関係の抽象的なモデルをシミュレートする。 それは、進化する捕食者の視覚と競合する、獲物のカモフラージュパターンの進化を通して、クリーププシスを観察する。
  論文  参考訳（メタデータ） (2023-04-24T02:36:25Z)
• Transferable Sparse Adversarial Attack [62.134905824604104]
  オーバーフィッティング問題を緩和するジェネレータアーキテクチャを導入し、転送可能なスパース対逆例を効率的に作成する。 提案手法は,他の最適化手法よりも700$times$高速な推論速度を実現する。
  論文  参考訳（メタデータ） (2021-05-31T06:44:58Z)
• Path Planning for Shepherding a Swarm in a Cluttered Environment using Differential Evolution [0.0]
  本研究は, シェパーディングの手法を改良し, シミュレーションにより, シェファーディングの有効性を向上することを示す。 そして、障害から生じる複雑さを考慮に入れれば、経路計画アプローチはこのモデルをさらに強化できると論じる。 本研究では,2次元環境におけるエージェント群を羊飼いするための2段階の進化的経路計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-28T13:17:59Z)

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。