論文の概要: Geometric framework for biological evolution

• arxiv url: http://arxiv.org/abs/2603.15198v1
• Date: Mon, 16 Mar 2026 12:37:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.28222
• Title: Geometric framework for biological evolution
• Title（参考訳）: 生物進化のための幾何学的枠組み
• Authors: Vitaly Vanchurin,
• Abstract要約: 我々は、ジェノタイプ空間と表現型空間の両方で一貫して動作する進化力学の一般的な共変記述を開発する。 これは、進化はフィットネスランドスケープの学習プロセスとしてモデル化できることを示している。
• 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: We develop a generally covariant description of evolutionary dynamics that operates consistently in both genotype and phenotype spaces. We show that the maximum entropy principle yields a fundamental identification between the inverse metric tensor and the covariance matrix, revealing the Lande equation as a covariant gradient ascent equation. This demonstrates that evolution can be modeled as a learning process on the fitness landscape, with the specific learning algorithm determined by the functional relation between the metric tensor and the noise covariance arising from microscopic dynamics. While the metric (or the inverse genotypic covariance matrix) has been extensively characterized empirically, the noise covariance and its associated observable (the covariance of evolutionary changes) have never been directly measured. This poses the experimental challenge of determining the functional form relating metric to noise covariance.
• Abstract（参考訳）: 我々は、ジェノタイプ空間と表現型空間の両方で一貫して動作する進化力学の一般的な共変記述を開発する。 最大エントロピー原理は逆計量テンソルと共分散行列の基本的な同定をもたらし、ランデ方程式を共変勾配上昇方程式として明らかにする。 このことは、メカニカルテンソルと微視的ダイナミクスによるノイズ共分散の関数的関係によって決定される特定の学習アルゴリズムを用いて、フィットネスランドスケープにおける学習プロセスとして進化をモデル化できることを証明している。 計量(あるいは逆ジェノタイプ共分散行列)は実験的に広く特徴づけられているが、ノイズ共分散とその関連する可観測性(進化的変化の共分散)は直接測定されていない。 これは、雑音の共分散に関連する機能形式を決定する実験的な課題である。

関連論文リスト

• Rethinking Diffusion Models with Symmetries through Canonicalization with Applications to Molecular Graph Generation [56.361076943802594]
  CanonFlowは、挑戦的なGEOM-DRUGデータセット上で最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-16T18:58:55Z)
• Relative Representations: Topological and Geometric Perspectives [50.85040046976025]
  相対表現はゼロショットモデルの縫合に対する確立されたアプローチである。 相対変換において正規化手順を導入し、非等方的再スケーリングや置換に不変となる。 第二に、クラス内のクラスタリングを促進するトポロジカル正規化損失である、微調整された相対表現におけるトポロジカルデシフィケーションの展開を提案する。
  論文  参考訳（メタデータ） (2024-09-17T08:09:22Z)
• On the Kullback-Leibler divergence between pairwise isotropic Gaussian-Markov random fields [93.35534658875731]
  2つの対の等方性ガウス-マルコフ確率場間のクルバック-リーブラ分散の式を導出する。 提案した方程式は、画像処理と機械学習の応用において、新しい類似度尺度の開発を可能にする。
  論文  参考訳（メタデータ） (2022-03-24T16:37:24Z)
• ChebLieNet: Invariant Spectral Graph NNs Turned Equivariant by Riemannian Geometry on Lie Groups [9.195729979000404]
  ChebLieNet は(異方性)多様体上の群同変法である。 異方性畳み込み層からなるグラフニューラルネットワークを開発した。 CIFAR10上の異方性パラメータに対する(データに依存した)スイートスポットの存在を実証的に証明した。
  論文  参考訳（メタデータ） (2021-11-23T20:19:36Z)
• Differential Parametric Formalism for the Evolution of Gaussian States: Nonunitary Evolution and Invariant States [1.2891210250935143]
  ガウス・混合・連続変数密度行列のパラメータの進化について検討する。 具体的には、共分散行列の微分方程式、平均値、および多部ガウス状態の密度行列パラメータを求める。 結果として生じる非線形方程式は、シュリンガー方程式の代わりに系の力学を解くために用いられる。
  論文  参考訳（メタデータ） (2020-05-23T09:11:51Z)
• Generalizing Convolutional Neural Networks for Equivariance to Lie Groups on Arbitrary Continuous Data [52.78581260260455]
  任意の特定のリー群からの変換に同値な畳み込み層を構築するための一般的な方法を提案する。 同じモデルアーキテクチャを画像、ボール・アンド・スティック分子データ、ハミルトン力学系に適用する。
  論文  参考訳（メタデータ） (2020-02-25T17:40:38Z)

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。