論文の概要: L-System Genetic Encoding for Scalable Neural Network Evolution: A Comparison with Direct Matrix Encoding

• arxiv url: http://arxiv.org/abs/2604.22000v1
• Date: Thu, 23 Apr 2026 18:31:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.23438
• Title: L-System Genetic Encoding for Scalable Neural Network Evolution: A Comparison with Direct Matrix Encoding
• Title（参考訳）: スケーラブルニューラルネットワーク進化のためのLシステム遺伝的エンコーディング:直接行列エンコーディングとの比較
• Authors: Alexander Stuy, Nodin Weddington,
• Abstract要約: ニューラルネットワークのための正式なL-Systemベースの遺伝子アルファベットLsysと、Wp1hgnというニューラルネットワーク遺伝子モデリングツールが導入された。 LsysとMatrixのニューラルネットワークトポロジ遺伝子エンコーディング法は、24回の実験的実行で比較される。
• 参考スコア（独自算出の注目度）: 45.88028371034407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An artificial world of barriers and plains scattered with food is used to test the feasibility of using genetic algorithms to optimize hebbian neural networks to perform on problems without apriori knowledge of the problem domain. A formal L-System based genetic alphabet for neural networks, titled Lsys, and a neural network genetic modeling tool titled Wp1hgn are introduced. Lsys and Matrix neural network topology genetic encoding methods are compared across 24 experimental runs. Lsys encoding achieved a mean maximum food count of 3802 +- 197 at generation 1000 across 8 runs with varied parameters, compared to 1388 +- 610 for Matrix encoding, a 2.74x performance advantage with an 8.5-fold improvement in consistency as measured by coefficient of variation (5.2% vs 44.0%). All 8 Lsys populations successfully learned to navigate the environment, while 4 of 8 Matrix populations failed to achieve competitive performance at any point during 1000 generations. When transferred to a novel maze environment, Lsys populations demonstrated immediate robust generalization, achieving a mean maximum food count of 2455 +- 176 compared to 422 +- 212 for Matrix populations, a 5.82x advantage that exceeded the training world performance gap. A MatrixLSG control condition, in which initial populations were generated using Lsys genotypes and then evolved using Matrix operators, demonstrated that the performance advantage of Lsys encoding derives primarily from the genetic algorithm operating on the compressed symbolic Lsys alphabet throughout evolution rather than from initial population structure. Lsys encoding is shown to provide faster convergence, higher peak performance, dramatically greater reliability, and superior generalization to novel environments compared to Matrix encoding across all experimental conditions tested.
• Abstract（参考訳）: 食品に散在する障壁と平原の人工的な世界は、遺伝的アルゴリズムを用いて問題領域の知識を必要とせず、ヘビニューラルネットワークを最適化する可能性をテストするために用いられる。 ニューラルネットワークのための正式なL-Systemベースの遺伝子アルファベットLsysと、Wp1hgnというニューラルネットワーク遺伝子モデリングツールが導入された。 LsysとMatrixのニューラルネットワークトポロジ遺伝子エンコーディング法は、24回の実験的実行で比較される。 Lsysエンコーディングは、平均最大食品数3802+-197を8回のランで達成し、Matrixエンコーディングの1388+-610と比較すると、2.74倍の性能上の利点があり、変動係数(5.2%対44.0%)で測定された一貫性が8.5倍向上した。 Lsysの8つの人口は、環境をナビゲートすることに成功したが、Matrixの8つの人口のうち4つは、1000世代の間、あらゆる時点での競争的なパフォーマンスを達成できなかった。 新たな迷路環境に移行すると、Lsysの人口はすぐに堅牢な一般化を示し、マトリクスの422+-212に比べて2455+-176の最大食糧数を実現した。 マトリックスLSG制御条件では、初期個体群はLsys genotypesを用いて生成され、その後Matrix演算子を用いて進化した。 Lsysエンコーディングは、試験された全ての実験条件におけるMatrixエンコーディングと比較して、より高速な収束、高いピーク性能、劇的に高い信頼性、および新しい環境への優れた一般化を提供する。

関連論文リスト

• From Memorization to Creativity: LLM as a Designer of Novel Neural-Architectures [48.83701310501069]
  大規模言語モデル(LLM)は、プログラム合成において優れているが、ニューラルネットワーク設計(信頼性、性能、構造的ノベルティ)を自律的にナビゲートする能力は、未調査のままである。 コード指向LLMをクローズドループ合成フレームワークに配置し、22の教師付き微調整サイクルの進化を解析することによって、この問題に対処する。
  論文  参考訳（メタデータ） (2026-01-06T13:20:28Z)
• Simultaneous Genetic Evolution of Neural Networks for Optimal SFC Embedding [0.0]
  Service Function Chains ネットワーク機能を仮想化し、ネットワークインフラストラクチャに組み込む。 既存のアプローチは、3つのサブプロブレムを全て最適化しないか、または3つのサブプロブレムを同時に最適化しない。 本稿では3つの正弦関数ニューラルネットワークを進化させ,その出力をガウス分布とA*アルゴリズムで同時に3つのサブプロブレムを最適化する GENESIS という遺伝的アルゴリズムに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-10T05:06:13Z)
• PVLS: A Learning-based Parameter Prediction Technique for Variational Quantum Linear Solvers [0.0]
  本稿では、グラフニューラルネットワーク(GNN)を用いてVQLS回路の高品質な初期パラメータを生成する学習ベースのパラメータ予測フレームワークPVLSを紹介する。 16から1024までの行列サイズの実験では、PVLSは最適化の2.6倍のスピードアップを提供し、より少ないイテレーションを必要とすることが示されている。
  論文  参考訳（メタデータ） (2025-12-04T15:37:32Z)
• Reparameterized LLM Training via Orthogonal Equivalence Transformation [54.80172809738605]
  直交同値変換を用いてニューロンを最適化する新しいトレーニングアルゴリズムPOETを提案する。 POETは、目的関数を安定して最適化し、一般化を改善する。 我々は、大規模ニューラルネットワークのトレーニングにおいて、POETを柔軟かつスケーラブルにするための効率的な近似を開発する。
  論文  参考訳（メタデータ） (2025-06-09T17:59:34Z)
• Evolving Efficient Genetic Encoding for Deep Spiking Neural Networks [10.368223587448382]
  Spiking Neural Networks(SNN)は、ANN(Artificial Networks)に代わる低エネルギーの代替手段を提供する 既存のSNNモデルは、多くの時間ステップとネットワーク深さとスケールのために、依然として高い計算コストに直面している。 大規模深部SNNを低コストで制御するために動的に進化する効率的な遺伝的エンコーディング戦略を提案する。
  論文  参考訳（メタデータ） (2024-11-11T08:40:52Z)
• Toward Capturing Genetic Epistasis From Multivariate Genome-Wide Association Studies Using Mixed-Precision Kernel Ridge Regression [4.356528958652799]
  英国バイオバンクの305K患者を対象としたGWAS(Genome-Wide Association Studies)の出力精度保存混合精度計算の性能を向上する。 低精度GPU演算によるデータ移動ゲインの強化によるタイル中心適応精度線形代数技術 ほぼ完全なAlpsシステム上で1.805の混合精度ExaOp/sで、最先端のCPU専用REGENIE GWASソフトウェアより5桁高い4精度のColeskyベースの解法を新たに導入する。
  論文  参考訳（メタデータ） (2024-09-03T08:50:42Z)
• The Impact of LoRA Adapters on LLMs for Clinical Text Classification Under Computational and Data Constraints [32.23468444597675]
  臨床自然言語処理(NLP)のための細調整された大規模言語モデル(LLM)は、ドメインギャップ、限られたデータ、厳密なハードウェア制約のために大きな課題を提起する。 本研究では,適応器,軽量化,TinyAttention,Gated Residual Network (GRN) の4つのアダプタ技術の評価を行った。 すべての実験は1つのNVIDIA P620 GPU(2GB VRAM、512コア、1.386TFLOPS FP32)で行われ、バッチサイズは2568、シーケンス長は2568トークンに制限された。
  論文  参考訳（メタデータ） (2024-07-27T16:48:03Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。