論文の概要: The Stacked Autoencoder Evolution Hypothesis

• arxiv url: http://arxiv.org/abs/2602.01026v1
• Date: Sun, 01 Feb 2026 05:22:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.538882
• Title: The Stacked Autoencoder Evolution Hypothesis
• Title（参考訳）: 積層自己エンコーダ進化仮説
• Authors: Hiroyuki Iizuka,
• Abstract要約: 本研究は, 深層学習における自己エンコーダに類似した, 多層的自己エンコードおよび復号処理によって生物進化系が機能することを提案する。 この仮説は、進化は突然変異と選択によって引き起こされる段階的な変化としてのみ見るのではなく、自己複製は本質的に階層的な抽象層にまたがって遺伝子情報を圧縮し再構成するものであることを示唆している。 このようなメカニズムは、より深い潜伏層における突然変異が突然、大規模な表現型シフトを引き起こすことを許すことによって、自然進化において目標指向であるかのように現れる、句読化された進化パターンや変化を説明することができる。
• 参考スコア（独自算出の注目度）: 0.8122270502556375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study introduces a novel theoretical framework, the Stacked Autoencoder Evolution Hypothesis, which proposes that biological evolutionary systems operate through multi-layered self-encoding and decoding processes, analogous to stacked autoencoders in deep learning. Rather than viewing evolution solely as gradual changes driven by mutation and selection, this hypothesis suggests that self-replication inherently compresses and reconstructs genetic information across hierarchical layers of abstraction. This layered structure enables evolutionary systems to explore diverse possibilities not only at the sequence level but also across progressively more abstract layers of representation, making it possible for even simple mutations to navigate these higher-order spaces.Such a mechanism may explain punctuated evolutionary patterns and changes that can appear as if they are goal-directed in natural evolution, by allowing mutations at deeper latent layers to trigger sudden, large-scale phenotypic shifts. To illustrate the plausibility of this mechanism, artificial chemistry simulations were conducted, demonstrating the spontaneous emergence of hierarchical autoencoder structures. This framework offers a new perspective on the informational dynamics underlying both continuous and discontinuous evolutionary change.
• Abstract（参考訳）: 本研究は,階層型自己エンコーダ進化仮説(Stacked Autoencoder Evolution hypothesis)を導入し,生物進化系が多層的自己エンコーダ・復号処理によって機能することを提案する。 この仮説は、進化は突然変異と選択によって引き起こされる段階的な変化としてのみ見るのではなく、自己複製は本質的に階層的な抽象層にまたがって遺伝子情報を圧縮し再構成するものであることを示唆している。 この階層構造により、進化系は、シーケンスレベルだけでなく、より抽象的な表現層をまたいで多様な可能性を探ることができるため、単純な突然変異でもこれらの高階空間をナビゲートすることができる。 この機構の妥当性を示すために, 人工化学シミュレーションを行い, 階層型自己エンコーダ構造の自然発生を実証した。 このフレームワークは、継続的および不連続な進化的変化の基礎となる情報力学の新しい視点を提供する。

関連論文リスト

• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• Life-Code: Central Dogma Modeling with Multi-Omics Sequence Unification [55.98854157265578]
  Life-Codeは、様々な生物学的機能にまたがる包括的なフレームワークである。 本稿では、RNAを逆転写し、アミノ酸をヌクレオチド配列に変換することで、マルチオミクスデータを統合する統一パイプラインを提案する。 Life-Codeは3つのオミクスにまたがる様々なタスクの最先端の結果を達成し、マルチオミクス分析と解釈の進歩の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-11T06:53:59Z)
• Evolutionary Automata and Deep Evolutionary Computation [0.0]
  進化的オートマトン(英: Evolution Automaticon)とは、進化的計算を無限世代で行う自動機械である。 これはまた、環境との対話的なフィードバックによって自己進化する自然進化の力のヒントを与える。
  論文  参考訳（メタデータ） (2024-11-22T15:31:50Z)
• 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)
• 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)
• 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)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)
• 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。