論文の概要: Evolutionary Computation as Natural Generative AI

• arxiv url: http://arxiv.org/abs/2510.08590v1
• Date: Sat, 04 Oct 2025 01:54:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:47.005817
• Title: Evolutionary Computation as Natural Generative AI
• Title（参考訳）: 自然生成AIとしての進化計算
• Authors: Yaxin Shi, Abhishek Gupta, Ying Wu, Melvin Wong, Ivor Tsang, Thiago Rios, Stefan Menzel, Bernhard Sendhoff, Yaqing Hou, Yew-Soon Ong,
• Abstract要約: 進化計算(Evolutionary Computation、EC)は、多様性と創造性を高めるための探索駆動の経路を提供する。 ECは自然選択の下で探索探索によって支配される生成パラダイムである。 我々は,創造性に不可欠な要因として,構造破壊と選択圧の調整を強調した。
• 参考スコア（独自算出の注目度）: 35.99576885880116
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative AI (GenAI) has achieved remarkable success across a range of domains, but its capabilities remain constrained to statistical models of finite training sets and learning based on local gradient signals. This often results in artifacts that are more derivative than genuinely generative. In contrast, Evolutionary Computation (EC) offers a search-driven pathway to greater diversity and creativity, expanding generative capabilities by exploring uncharted solution spaces beyond the limits of available data. This work establishes a fundamental connection between EC and GenAI, redefining EC as Natural Generative AI (NatGenAI) -- a generative paradigm governed by exploratory search under natural selection. We demonstrate that classical EC with parent-centric operators mirrors conventional GenAI, while disruptive operators enable structured evolutionary leaps, often within just a few generations, to generate out-of-distribution artifacts. Moreover, the methods of evolutionary multitasking provide an unparalleled means of integrating disruptive EC (with cross-domain recombination of evolved features) and moderated selection mechanisms (allowing novel solutions to survive), thereby fostering sustained innovation. By reframing EC as NatGenAI, we emphasize structured disruption and selection pressure moderation as essential drivers of creativity. This perspective extends the generative paradigm beyond conventional boundaries and positions EC as crucial to advancing exploratory design, innovation, scientific discovery, and open-ended generation in the GenAI era.
• Abstract（参考訳）: 生成AI(GenAI)は、様々な領域で顕著な成功を収めてきたが、その能力は、有限トレーニングセットの統計モデルと局所勾配信号に基づく学習に制約されている。 これはしばしば、真に生成するよりも派生的なアーティファクトをもたらす。 対照的に、進化的計算(Evolutionary Computation:EC)は、より多様性と創造性を高め、利用可能なデータの範囲を超えて、未知の解空間を探索することによって生成能力を拡大する探索駆動の経路を提供する。 この研究は、ECとGenAIの基本的なつながりを確立し、自然選択の下で探索探索によって支配される生成パラダイムであるNatural Generative AI(NatGenAI)としてECを再定義する。 親中心の演算子を持つ古典的ECは従来のGenAIを反映するが、破壊的演算子は、しばしば数世代以内で構造的進化の跳躍を可能にし、分布外アーティファクトを生成する。 さらに、進化的マルチタスキングの手法は、破壊的EC(進化的特徴のクロスドメイン再結合)と適度な選択機構(生き残るための新しいソリューションが可能である)を統合し、持続的なイノベーションを育む非並列的な手段を提供する。 我々は,ECをNatGenAIとみなすことで,創造性に不可欠な要因として,構造破壊と選択圧の調整を強調した。 この視点は、従来の境界を超えて生成パラダイムを拡張し、ECをジェネア時代の探索的設計、革新、科学的発見、オープン・エンド・ジェネラティブ・ジェネラティブ・ジェネラティブ・ジェネラティブ・ジェネラティブ・ジェネラティブ・ジェネラティブ・ジェネラティブ・ジェネラティブ・ジェネラティブ・ジェネラティブ・ジェネラティブ・ジェネラティブ・ジェネラティブ・ジェネラティブ・ジェネラティブ・ジェネラティブ(英語版)の進化に欠かせない存在として位置づけている。

関連論文リスト

• Parental Guidance: Efficient Lifelong Learning through Evolutionary Distillation [1.124958340749622]
  本研究では, 自然種再現, 多様性のバランス, 特殊化といった, 再生モジュールを含むフレームワークを提案する。 RL、模倣学習(IL)、進化的エージェント・テランのカリキュラムを統合することで、複雑なタスクを通じてエージェントを継続的に進化させる。 最初の実験では,この手法が探索効率を向上し,オープンエンド学習を支援することを示した。
  論文  参考訳（メタデータ） (2025-03-24T10:40:03Z)
• 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)
• Neural Genetic Search in Discrete Spaces [14.666165546724159]
  我々は新しいテスト時間探索法であるニューラル・ジェネティック・サーチ(NGS)を導入する。 NGSは、遺伝的アルゴリズムの進化のメカニズムを深層モデルの生成手順に組み込んでいる。 このアプローチは、深層生成モデルのための汎用的で実装が容易な探索アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2025-02-09T01:26:49Z)
• Generative midtended cognition and Artificial Intelligence. Thinging with thinging things [0.0]
  生成中間認知(generative Midtended cognition)は、生成AIと人間の認知の統合を探求する。 生成的(generative)"という言葉は、AIが構造的出力を反復的に生成する能力を反映し、"再帰的(midtended)"はプロセスの潜在的なハイブリッド(人間-AI)の性質をキャプチャする。
  論文  参考訳（メタデータ） (2024-11-11T09:14:27Z)
• 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)
• 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)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• Towards Large-Scale Simulations of Open-Ended Evolution in Continuous Cellular Automata [0.0]
  並列計算フレームワーク JAX を用いた大規模進化シミュレーションを構築した。 遺伝子操作子を暗黙的に実装するなど、システム設計の選択肢を多数報告する。 オープンエンド進化を促進する要因をいくつか提案する。
  論文  参考訳（メタデータ） (2023-04-12T06:40:11Z)

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。