論文の概要: Towards Self-Evolving Agents: A Human-Inspired Adaptive Exploration-Exploitation Framework for Genetic Network Programming

• arxiv url: http://arxiv.org/abs/2607.11913v1
• Date: Sat, 04 Jul 2026 18:18:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-19 21:54:20.405868
• Title: Towards Self-Evolving Agents: A Human-Inspired Adaptive Exploration-Exploitation Framework for Genetic Network Programming
• Title（参考訳）: 自己進化エージェントを目指して : 遺伝的ネットワークプログラミングのための適応探索探索フレームワーク
• Abstract要約: 遺伝的ネットワークプログラミング(英: Genetic Network Programming、GNP)は、エージェントの解釈可能な決定構造を進化させるために有向グラフを利用する自己進化アルゴリズムである。 本稿では,GNPの判断ノード間の遷移を検討・処理ノードにマップするHuman-Inspired GNPを提案する。 HGNPは、対象環境の特性に基づいて探査・探査バランスを調整するためのフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 19.26431691038947
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advancements in agentic AI have increasingly moved toward graph-based methods, driven by the demand for explainable, human-centered, and non-linear reasoning workflows. A prominent example is Genetic Network Programming (GNP), a self-evolving algorithm that utilizes directed graphs to evolve interpretable decision structures for agents. As in most evolutionary algorithms, effectively balancing exploration and exploitation is a key aspect of GNP. However, this trade-off has received limited attention in the GNP literature. To address this gap, we draw inspiration from human developmental patterns, where children prioritize broad experimentation and action over deliberation, with this tendency reversing with age. By mapping transitions between GNP's judgment nodes to deliberation and processing nodes to action, we propose Human-Inspired GNP (HGNP), a novel adaptive framework that dynamically regulates the exploration-exploitation balance throughout the evolutionary process. The method consists of novel adaptive crossover and mutation operators, and a cycle elimination mechanism. HGNP not only improves the evolutionary process but also provides a framework for adjusting the exploration-exploitation balance based on the characteristics of the target environment and its search space. This approach is more effective than tuning via crossover and mutation probabilities in standard GNP. The modifications are general and can be applied to almost all GNP variants. When integrated with standard GNP and two recently introduced GNP variants and evaluated on the Tileworld benchmark, HGNP demonstrated significant performance improvement in agents' strategy. The combination of HGNP with Situation-based GNP (HGNP-SBGNP) achieved the best overall results.
• Abstract（参考訳）: エージェントAIの最近の進歩は、説明可能な、人間中心の、非線形推論ワークフローの需要によって引き起こされる、グラフベースの方法へと向かっている。 顕著な例として、エージェントの解釈可能な決定構造を進化させるために有向グラフを利用する自己進化アルゴリズムである遺伝的ネットワークプログラミング(GNP)がある。 多くの進化的アルゴリズムと同様に、探索と搾取を効果的にバランスさせることがGNPの重要な側面である。 しかし、このトレードオフはGNP文学において限定的に注目されている。 このギャップに対処するため,子どもが熟考よりも幅広い実験や行動が優先され,年齢とともに逆転する傾向にある,人間の発達パターンからインスピレーションを得ている。 本稿では,GNPの判断ノード間の遷移を検討・処理ノードにマッピングすることで,進化過程を通じて探索・探索バランスを動的に制御する新しい適応フレームワークであるHuman-Inspired GNP(HGNP)を提案する。 この方法は、新規な適応的クロスオーバーと突然変異演算子、およびサイクル除去機構から構成される。 HGNPは進化過程を改良するだけでなく、ターゲット環境とその探索空間の特性に基づいて探索・探索バランスを調整するためのフレームワークも提供する。 このアプローチは、標準GNPにおけるクロスオーバーと突然変異確率によるチューニングよりも効果的である。 修正は一般であり、ほぼすべてのGNP変種に適用できる。 標準GNPと最近導入された2種類のGNPと統合し、Tileworldベンチマークで評価すると、HGNPはエージェントの戦略において大幅な性能向上を示した。 The combination of HGNP with situation-based GNP (HGNP-SBGNP) achieved the best overall results。

関連論文リスト

• AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization [61.535567824938205]
  本稿では,LLMによる進化を階層的適応最適化問題として再構成するフレームワークであるAdaEvolveを紹介する。 AdaEvolveは185の異なるオープンエンド最適化問題において、オープンエンドベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-23T18:45:31Z)
• Evolutionary Router Feature Generation for Zero-Shot Graph Anomaly Detection with Mixture-of-Experts [60.60414602796664]
  ゼロショットGADのための進化的ルータ特徴生成(EvoFG)を備えた新しいMoEフレームワークを提案する。 EvoFGは最先端のベースラインを一貫して上回り、強力で安定したゼロショットGAD性能を実現している。
  論文  参考訳（メタデータ） (2026-02-12T06:16:51Z)
• GEGO: A Hybrid Golden Eagle and Genetic Optimization Algorithm for Efficient Hyperparameter Tuning in Resource-Constrained Environments [4.417564179511245]
  HyperEGOチューニングは、ハイパーサーチネットワークにおいて、重要ではあるが計算コストのかかるステップである。 ゴールデンイーグル最適化(GEGO)は、ゴールデンイーグル演算子の選択と突然変異のハイブリッド移動戦略を統合する。 GEGOは標準の単調、マルチモーダル、複合ベンチマーク関数で評価される。
  論文  参考訳（メタデータ） (2026-01-21T05:35:38Z)
• 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)
• On the Effect of Negative Gradient in Group Relative Deep Reinforcement Optimization [52.76330545825083]
  強化学習(RL)は,大規模言語モデル(LLM)の推論能力の向上に人気がある。 従来認識されていなかった Lazy Likelihood Displacement (LLD) 現象を同定し, トレーニング中に正答率がわずかに増加するか, あるいは低下する可能性が示唆された。 従来のDPOベースのアプローチとは異なり、NTHRはGRPOのグループベースの構造を利用して、適切な応答をアンカーとして利用し、重要なトークンを識別する。
  論文  参考訳（メタデータ） (2025-05-24T18:58:51Z)
• 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)
• Learn from Global Correlations: Enhancing Evolutionary Algorithm via Spectral GNN [31.64092546636662]
  本稿では,新しいEAフレームワークであるグラフニューラル進化(GNE)を提案する。 GNEは人口をグラフとして表現し、ノードは個人を表し、エッジはその関係をキャプチャする。 高周波コンポーネントは多様なグローバル情報をキャプチャし、低周波コンポーネントはより一貫性のある情報をキャプチャする。
  論文  参考訳（メタデータ） (2024-12-23T15:06:37Z)
• GARA: A novel approach to Improve Genetic Algorithms' Accuracy and Efficiency by Utilizing Relationships among Genes [1.7226572355808027]
  本稿では,遺伝子間の関係を利用してGAの精度と効率を向上させる遺伝子制御遺伝的アルゴリズム(GRGA)を提案する。 我々は、RGGRと呼ばれる溶液空間をカプセル化した有向多部グラフを使用し、各ノードは溶液中の遺伝子に対応し、エッジは隣り合うノード間の関係を表す。 得られたRGGRは、クロスオーバーと突然変異演算子の適切な座を決定するために使用され、それによって進化過程をより速くより良く収束させる。
  論文  参考訳（メタデータ） (2024-04-28T08:33:39Z)
• Result Diversification by Multi-objective Evolutionary Algorithms with Theoretical Guarantees [94.72461292387146]
  両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。 GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。 目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
  論文  参考訳（メタデータ） (2021-10-18T14:00:22Z)
• Orthogonal Graph Neural Networks [53.466187667936026]
  グラフニューラルネットワーク(GNN)は,ノード表現の学習において優れていたため,大きな注目を集めている。 より畳み込み層を積み重ねることで、GNNのパフォーマンスが大幅に低下する。 本稿では,モデルトレーニングの安定化とモデル一般化性能の向上のために,既存のGNNバックボーンを拡張可能なOrtho-GConvを提案する。
  論文  参考訳（メタデータ） (2021-09-23T12:39:01Z)
• Population network structure impacts genetic algorithm optimisation performance [0.0]
  遺伝的アルゴリズム (GA) は自然進化をシミュレートして解の集団を最適化する探索法である。 ソーシャルネットワークは、2人が交尾する可能性を条件にすることができる。 我々は,ネットワーク遺伝的アルゴリズム(NGA)を導入し,多様なランダム・スケールフリーな集団ネットワークがGAの最適化性能に与える影響を評価する。
  論文  参考訳（メタデータ） (2021-04-09T09:06:04Z)
• A Genetic Algorithm with Tree-structured Mutation for Hyperparameter Optimisation of Graph Neural Networks [8.02401104726362]
  グラフニューラルネットワーク(GNN)は、グラフ関連の問題を処理する能力に優れており、注目を集めている。 実際には、高パラメータ最適化(HPO)は、GNNが満足な結果を得るために重要です。 本稿では,この問題を緩和するため,GAのための木構造変異戦略を提案する。
  論文  参考訳（メタデータ） (2021-02-24T00:31:52Z)

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。