論文の概要: Associative Constructive Evolution: Enhancing Metaheuristics through Hebbian-Learned Generative Guidance

• arxiv url: http://arxiv.org/abs/2603.29774v1
• Date: Tue, 31 Mar 2026 14:14:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.708045
• Title: Associative Constructive Evolution: Enhancing Metaheuristics through Hebbian-Learned Generative Guidance
• Title（参考訳）: アソナティブ・コンストラクティブ・エボリューション:ヘビアン学習によるメタヒューリスティックスの実現
• Authors: Shanxian Lin, Yuichi Nagata, Haichuan Yang,
• Abstract要約: Associative Constructive Evolution(ACE)は、学習された生成誘導を通じてメタヒューリスティックスを強化するフレームワークである。 ACEはジェネレーティブ・コンストラクション・オートマトン(GCA)を導入している。 この協力を実現する3つのメカニズムは、共用操作の関連性を強化するヘビアン重み強化、学習された高品質領域への偏見を導いたサンプリング、再利用可能なマクロ操作に頻繁なパターンを抽出するシンボリック抽象化である。
• 参考スコア（独自算出の注目度）: 5.903044162596618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metaheuristic algorithms such as Particle Swarm Optimization (PSO) and Evolutionary Algorithms (EA) excel at exploring solution spaces but lack mechanisms to accumulate and reuse procedural knowledge from successful search trajectories. This paper proposes Associative Constructive Evolution (ACE), a framework that enhances metaheuristics through learned generative guidance. ACE introduces a Generative Construction Automaton (GCA) -- a probabilistic model over operation sequences -- coupled with the base metaheuristic in a synergistic loop: the metaheuristic explores and provides trajectory samples, while the GCA consolidates successful patterns and guides future exploration. Three mechanisms realize this cooperation: Hebbian weight consolidation that strengthens associations between co-successful operations, guided sampling that biases search toward learned high-quality regions, and symbolic abstraction that extracts frequent patterns into reusable macro-operations. Experiments integrating ACE with EA and PSO on molecular design and maze navigation demonstrate consistent improvements. ACE-PSO achieves a 27.5% increase in success rate while reducing convergence time by 49.6%. In molecular design, ACE-EA improves fitness by 10.1% with 126 chemically interpretable macro-operations automatically discovered.
• Abstract（参考訳）: Particle Swarm Optimization (PSO) や Evolutionary Algorithms (EA) のようなメタヒューリスティックアルゴリズムは、解空間の探索において優れているが、探索軌道からの手続き的知識の蓄積と再利用のメカニズムが欠如している。 本稿では,学習した生成指導を通じてメタヒューリスティックスを強化するフレームワークであるAssociative Constructive Evolution(ACE)を提案する。 ACEはジェネレーティブ・コンストラクション・オートマトン(GCA) - 操作シーケンス上の確率モデルで、相乗的ループのベースメタヒューリスティックと組み合わせて、メタヒューリスティックな探索と軌道サンプルを提供する。 この協力を実現する3つのメカニズムは、共用操作の関連性を強化するヘビアン重み強化、学習された高品質領域への偏見を導いたサンプリング、再利用可能なマクロ操作に頻繁なパターンを抽出するシンボリック抽象化である。 分子設計と迷路ナビゲーションにおけるACEとEAとPSOの統合実験は、一貫した改善を示している。 ACE-PSOは、収束時間を49.6%削減しながら、成功率を27.5%向上させる。 分子設計では、ACE-EAは、化学的に解釈可能な126個のマクロ操作が自動的に検出され、フィットネスを10.1%改善する。

関連論文リスト

• Multi-Task Genetic Algorithm with Multi-Granularity Encoding for Protein-Nucleotide Binding Site Prediction [2.943339783614578]
  MTGA-MGEはMulti-Task Genetic AlgorithmとMulti-Granularityを統合するフレームワークである。 結合部位予測を強化するための隣人(MGE)。 静的核融合の制約を克服するために、遺伝的アルゴリズムを用いてタスク固有の核融合戦略を適応的に進化させる。
  論文  参考訳（メタデータ） (2026-03-16T03:51:54Z)
• K-Search: LLM Kernel Generation via Co-Evolving Intrinsic World Model [57.440609834690385]
  既存のアプローチでは、進化ループ内の高速コードジェネレータとして、LLM(Large Language Models)を扱います。 我々は,共進化的世界モデルによる検索を提案し,この手法に基づいてK-Searchを構築する。 GQA, MLA, MoE カーネルを含む多種多様な複雑なカーネル上で K-Search を評価する。
  論文  参考訳（メタデータ） (2026-02-22T11:06:22Z)
• DrugR: Optimizing Molecular Drugs through LLM-based Explicit Reasoning [24.70952870676648]
  DrugRは、明示的で段階的な薬理学的推論を最適化プロセスに導入する、大きな言語モデルである。 提案手法は, ドメイン固有の事前学習, 逆データ工学による微調整, 自己バランス型多粒性強化学習を統合した。 実験結果から、Dr.Rは構造的類似性や標的結合親和性を損なうことなく、複数の特性を包括的に拡張できることが示された。
  論文  参考訳（メタデータ） (2026-02-09T02:26:25Z)
• PACEvolve: Enabling Long-Horizon Progress-Aware Consistent Evolution [64.15555230987222]
  PACEvolveはエージェントのコンテキストと検索ダイナミクスを堅牢に管理するように設計されたフレームワークである。 PACEvolveは、一貫性のある長期自己改善のための体系的なパスを提供する。
  論文  参考訳（メタデータ） (2026-01-15T18:25:23Z)
• AMix-1: A Pathway to Test-Time Scalable Protein Foundation Model [92.51919604882984]
  本稿では,Flow Bayesian Networks上に構築された強力なタンパク質基盤モデルAMix-1を紹介する。 AMix-1は、事前学習のスケーリング法則、創発的能力分析、コンテキスト内学習機構、テスト時間スケーリングアルゴリズムを含む、体系的なトレーニング手法によって強化されている。 この基盤を基盤として、タンパク質設計を汎用フレームワークに統合するためのマルチシーケンスアライメント(MSA)ベースのコンテキスト内学習戦略を考案した。
  論文  参考訳（メタデータ） (2025-07-11T17:02:25Z)
• Synergizing Reinforcement Learning and Genetic Algorithms for Neural Combinatorial Optimization [25.633698252033756]
  本稿では,DRLの学習効率をGAのグローバル検索能力と相乗化するための進化的拡張機構を提案する。 EAMは、学習されたポリシーからソリューションを生成し、クロスオーバーや突然変異といったドメイン固有の遺伝子操作によってそれらを精製することで機能する。 EAMは、アテンションモデル、POMO、SymNCOのような最先端のDRLソルバとシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-06-11T05:17:30Z)
• Reinforced Genetic Algorithm for Structure-based Drug Design [38.134929249388406]
  SBDD(Structure-based drug design)は、疾患関連タンパク質(ターゲット)に結合する分子を見つけることにより、薬物候補を見つけることを目的とした薬物設計である。 本稿では,ニューラルネットワークを用いた遺伝的アルゴリズム(Reinforced Genetic Algorithm, RGA)を提案する。
  論文  参考訳（メタデータ） (2022-11-28T22:59:46Z)
• CASTELO: Clustered Atom Subtypes aidEd Lead Optimization -- a combined machine learning and molecular modeling method [2.8381402107366034]
  我々は、リード最適化ワークフローを自動化する機械学習と分子モデリングを組み合わせたアプローチを提案する。 本手法は, 薬剤の有効性向上に有効な, ホットスポットの新規なヒントを提供する。
  論文  参考訳（メタデータ） (2020-11-27T15:41:00Z)

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。