Fugu-MT 論文翻訳(概要): From Optimal Policies to Individual Differences: Rethinking Reinforcement Learning for Biology

論文の概要: From Optimal Policies to Individual Differences: Rethinking Reinforcement Learning for Biology

arxiv url: http://arxiv.org/abs/2607.16542v1
Date: Fri, 17 Jul 2026 22:33:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.177273
Title: From Optimal Policies to Individual Differences: Rethinking Reinforcement Learning for Biology
Title（参考訳）: 最適政策から個人差へ:生物学の強化学習を再考する
Abstract要約: 強化学習(Reinforcement Learning, RL)は、生物の振る舞いを説明するために用いられる。 RLは生物学の重要な側面を捉えることに成功したが、大きなギャップが残っている。このギャップに対処するには、生物学的に妥当なメカニズムを使用して行動の多様性を生成するために、現在のプラクティスを超えて移動する必要がある。
参考スコア（独自算出の注目度）: 0.7388859384645264
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Reinforcement learning (RL) is primarily known as a computational method for optimizing control tasks, but it is increasingly used to explain biological behavior. While RL successfully captures key aspects of biology, a major gap remains: between-agent behavioral variability. Consistent individual differences naturally permeate biological populations, yet RL models typically present only the single best individual or the population average. Addressing this gap requires moving beyond current practices to generate behavioral diversity using biologically plausible mechanisms. Here, we examine approaches from various subfields of RL and outline potential paths forward to close the gap between biology and simulation.
Abstract（参考訳）: 強化学習(Reinforcement Learning, RL)は、主に制御タスクを最適化する計算手法として知られているが、生物学的な振る舞いを説明するために使われることが多い。 RLは生物学の重要な側面を捉えることに成功したが、大きなギャップが残っている。個体差は自然に生物の個体数に浸透するが、RLモデルは通常、最も優れた個体数または個体数平均しか存在しない。このギャップに対処するには、生物学的に妥当なメカニズムを使用して行動の多様性を生成するために、現在のプラクティスを超えて移動する必要がある。本稿では,生物とシミュレーションのギャップを埋めるために,RLの様々なサブフィールドからのアプローチを検討する。

関連論文リスト

BioKERN: Biological Kernel Regularization for Histology-to-Transcriptomics Neighborhood Retrieval [0.0]
BioKERNは、生物学的構造を明示的で学習可能な帰納バイアスとして組み込んだマルチモーダルな表現学習フレームワークである。マウス脳ビシウムとヒト肝GSE240429をまたいだバイオケリンは、BLEEPによる生物近傍の検索を一貫して改善している。
論文参考訳（メタデータ） (2026-08-25T17:04:16Z)
OmniSapiens: A Foundation Model for Social Behavior Processing via Heterogeneity-Aware Relative Policy Optimization [50.11607985532808]
異種タスクとサンプルのバランスをとるRL法であるHARPO(Heterogeneity-Aware Relative Policy Optimization)を紹介する。 HARPOを用いて,社会行動処理の基礎モデルであるOmnisapiens-7B 2.0を開発した。既存の行動基盤モデルとは対照的に、Omnisapiens-7B 2.0は行動タスク間で最高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） (2026-02-11T08:35:59Z)
BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [60.80381372245902]
生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
論文参考訳（メタデータ） (2025-05-29T17:48:20Z)
BioReason: Incentivizing Multimodal Biological Reasoning within a DNA-LLM Model [12.528834366422466]
BioReasonは論理的、生物学的に一貫性のある還元物を生成することを学ぶ。 KEGGによる疾患経路予測の精度は86%から98%に向上する。また、強いベースラインよりも平均15%の変動効果予測を改善する。
論文参考訳（メタデータ） (2025-05-29T15:49:27Z)
BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。 CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
論文参考訳（メタデータ） (2025-02-23T17:38:10Z)
Biology-Instructions: A Dataset and Benchmark for Multi-Omics Sequence Understanding Capability of Large Language Models [55.74944165932666]
本稿では,生物配列の大規模学習データセットであるBiology-Instructionsを紹介する。このデータセットは、大きな言語モデル(LLM)と複雑な生物学的シーケンス関連タスクをブリッジし、その汎用性と推論を強化する。また,マルチオミクスタスクにおける現状のLLMの,専門訓練なしでの大幅な制限を強調した。
論文参考訳（メタデータ） (2024-12-26T12:12:23Z)
Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
論文参考訳（メタデータ） (2024-11-10T16:40:27Z)
The Hive Mind is a Single Reinforcement Learning Agent [7.794211366198159]
本論文はミツバチの群集における巣狩りの集団決定モデルから導いたものである。本研究は, 簡易かつ局所的な模倣に基づくルールに従って, 個々の蜂から生じる創発的分散認知($textithive mind$)が, 一つのオンライン強化学習(RL)エージェントであることを示す。我々の分析は、認知に制限された有機体群が、より複雑で強化可能な実体と等価である可能性を示唆している。
論文参考訳（メタデータ） (2024-10-23T02:49:37Z)
Multi-modal Transfer Learning between Biological Foundation Models [2.6545450959042234]
そこで本研究では,DNA,RNA,タンパク質を結合するマルチモーダル特異的モデルを提案する。我々のモデルはIsoFormerと呼ばれ、既存の手法よりも優れた差分転写表現を正確に予測できることを示します。我々は、新しいマルチモーダル遺伝子表現アプローチの道を開くために、我々のモデルをオープンソース化した。
論文参考訳（メタデータ） (2024-06-20T09:44:53Z)
DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary Intelligence [77.78795329701367]
本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
論文参考訳（メタデータ） (2023-12-08T16:51:10Z)
Supplementing Gradient-Based Reinforcement Learning with Simple Evolutionary Ideas [4.873362301533824]
我々は、強化学習(RL)における大規模だが指向的な学習ステップを導入するための、単純でサンプル効率のよいアルゴリズムを提案する。この手法では、共通経験バッファを持つRLエージェントの集団を用いて、ポリシー空間を効率的に探索するために、エージェントのクロスオーバーと突然変異を行う。
論文参考訳（メタデータ） (2023-05-10T09:46:53Z)
Synaptic Dynamics Realize First-order Adaptive Learning and Weight Symmetry [7.601127912271984]
我々は, シナプスにおける生物学的に証明可能な機構を用いて, アダム粒子の実現を実証した。本稿では, 後方伝搬における重量輸送問題の生物学的不確実性を回避するための新しいアプローチを提案する。これらのメカニズムは、生物学的シナプス力学が学習を促進する過程に光を放つ可能性がある。
論文参考訳（メタデータ） (2022-12-01T17:04:31Z)
Evolution Is All You Need: Phylogenetic Augmentation for Contrastive Learning [1.7188280334580197]
生物配列埋め込みの自己監視型表現学習は、下流タスクにおける計算リソースの制約を緩和する。進化的系統的増補を用いた対比学習が表現学習の目的として利用できることを示す。
論文参考訳（メタデータ） (2020-12-25T01:35:06Z)

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。