論文の概要: Identifying potentiating events in evolutionary search using replay experiments
- arxiv url: http://arxiv.org/abs/2608.09833v1
- Date: Mon, 10 Aug 2026 16:50:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.389583
- Title: Identifying potentiating events in evolutionary search using replay experiments
- Title（参考訳）: リプレイ実験による進化探索における増強事象の同定
- Abstract要約: 進化コンピューティングシステムのための再生実験を設計するためのステップバイステップのガイドを提供する。
解析的再生実験は進化コンピューティングの理論的基礎を拡大するための強力なツールであると主張する。
- 参考スコア（独自算出の注目度）: 46.00263113357165
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we introduce analytical replay experiments to the evolutionary computing community. Replay experiments originated in the context of laboratory experimental evolution as an empirical approach to identifying potentiating events that increased the likelihood of an observed evolutionary outcome. By restarting a population's evolution from different historical time points, replay experiments sample the distribution of what could have evolved from different points in time, which allows us to quantify how a population's potential for different evolutionary outcomes changed as a result of that population's history. In this work, we give a step-by-step guide to designing replay experiments for evolutionary computing systems. We then provide a demonstrative example replay experiment that measures how potentiation for problem-solving success changed in an evolved genetic programming population, showing that increases in potential for success do not necessarily correspond with increases in a population's fitness. Broadly, we argue that analytical replay experiments can be a powerful tool for expanding the theoretical foundations of evolutionary computing, and we offer suggestions for promising future research directions enabled by replay experiments.
- Abstract（参考訳）: 本稿では,進化コンピューティングコミュニティに解析的リプレイ実験を紹介する。
リプレイ実験は、実験室での実験的な進化の文脈から、観察された進化の結果の可能性を増大させる増強事象を特定するための実証的なアプローチとして始まった。
異なる歴史的時点から人口の進化を再開することにより、リプレイ実験は、異なる時点から進化した可能性のあるものの分布をサンプリングし、その個体群の歴史の結果として、人口の異なる進化的結果に対するポテンシャルがどのように変化したかを定量化することができる。
本研究では,進化コンピューティングシステムのための再生実験を設計するためのステップバイステップのガイドを提供する。
次に、進化した遺伝的プログラミングの集団において、問題解決の成功に対する増強がいかに変化したかを測定する実証的な事例再生実験を行い、成功の可能性の増大は、必ずしも人口の適合度の増加と一致しないことを示した。
解析的リプレイ実験は進化的コンピューティングの理論的基礎を拡大するための強力なツールでありうると広く論じ、リプレイ実験によって実現される将来的な研究方向性について提案する。
関連論文リスト
- Evolutionary Intelligence for Scientific Discovery: From Evolutionary Computation to Cumulative Discovery Systems [52.75919264158643]
進化計算(EC)は、フィードバック駆動型発見のための計算基盤を提供する。
本総説では, 科学的発見のための進化知能(EI)について紹介する。
EIは、探究を継続する科学的なAIシステムの特徴を、候補の洗練と経験の保持を結びつけることで特徴づける。
論文 参考訳（メタデータ） (2026-07-10T01:09:38Z) - EvoGens: A Population-Based Heuristic Search Framework for Scientific Idea Generation [7.417687065241744]
EvoGensは、科学的アイデア生成を、多くのアイデアを進化的に探索するものとして再考している。
最先端のベースラインに比べて、探索能力を大幅に向上させる。
論文 参考訳（メタデータ） (2026-05-29T07:56:31Z) - CausalEvolve: Towards Open-Ended Discovery with Causal Scratchpad [72.197582948888]
本研究では,Large Language Models (LLMs) を利用した因果スクラッチパッドを備えたCausalEvolveを開発した。
CaulEvolveはまず、目標目標を改善するための補完的なインスピレーションを提供する結果レベルの要因を特定します。
進化の過程では、CausalEvolveは進化中の驚きのパターンを検査し、新たな要因を仮説化することで、新たな方向性を提供する。
論文 参考訳（メタデータ） (2026-03-15T19:53:31Z) - FLEX: Continuous Agent Evolution via Forward Learning from Experience [54.796367711967754]
大規模言語モデル(LLM)によって駆動される自律エージェントは、推論と問題解決に革命をもたらしたが、訓練後も静的のままである。
我々は,LLMエージェントが蓄積された経験を通して継続的に進化することを可能にする勾配のない学習パラダイムであるFLEX(Forward Learning with Experience)を紹介する。
論文 参考訳（メタデータ） (2025-11-09T16:31:39Z) - Your Agent May Misevolve: Emergent Risks in Self-evolving LLM Agents [58.69865074060139]
エージェントの自己進化が意図しない方法で逸脱し、望ましくない結果や有害な結果に至る場合について検討する。
我々の経験から、誤進化は広範囲にわたるリスクであり、最上位のLSM上に構築されたエージェントにも影響を及ぼすことが判明した。
我々は、より安全で信頼性の高い自己進化型エージェントを構築するためのさらなる研究を促すための潜在的な緩和戦略について議論する。
論文 参考訳（メタデータ） (2025-09-30T14:55:55Z) - MOOSE-Chem3: Toward Experiment-Guided Hypothesis Ranking via Simulated Experimental Feedback [136.27567671480156]
先行テストからのフィードバックに基づいて仮説を優先順位付けする実験誘導ランキングを導入する。
我々は、シーケンシャルな意思決定問題として実験誘導型ランキングを定めている。
我々のアプローチは、実験前のベースラインと強い改善を著しく上回る。
論文 参考訳（メタデータ） (2025-05-23T13:24:50Z) - Evolutionary Prediction Games [14.771178412529856]
進化ゲーム理論に基づくフレームワークである進化予測ゲームを紹介する。
無制限のデータと計算能力を備えた理想的な設定では、繰り返し学習が競合を生み出し、競争排除を促進する。
現実的な制約の下では,グループ間の安定な共存と相互主義的共生が可能であることを示す。
論文 参考訳（メタデータ） (2025-03-05T11:24:55Z) - Evolving choice hysteresis in reinforcement learning: comparing the adaptive value of positivity bias and gradual perseveration [0.0]
多くの状況において, 肯定バイアスは進化的安定であり, 漸進的摂動の出現は体系的でなく, 頑健であることを示す。
以上の結果から, 環境特異的な方法で, バイアスが適応し, 進化によって選択できることが示唆された。
論文 参考訳（メタデータ） (2024-10-25T09:47:31Z) - Phylotrack: C++ and Python libraries for in silico phylogenetic tracking [0.0]
Phylotrackプロジェクトは、シリコの進化における系統の追跡と解析のためのライブラリを提供する。
プロジェクトは,1) Phylotracklibと,2) Phylotrackpy: Phylotracklibを囲むPythonラッパーで,Pybind11で作成された。
論文 参考訳（メタデータ） (2024-05-15T14:47:43Z) - Phylogeny-informed fitness estimation [58.720142291102135]
本研究では, 住民の健康評価を推定するために, フィロジェニーを利用した適合度推定手法を提案する。
以上の結果から, 植物性インフォームドフィットネス推定は, ダウンサンプドレキシケースの欠点を軽減することが示唆された。
この研究は、ランタイム系統解析を利用して進化アルゴリズムを改善するための最初のステップとなる。
論文 参考訳（メタデータ） (2023-06-06T19:05:01Z) - Mimicking Evolution with Reinforcement Learning [10.35437633064506]
人工的な人間のような知性を発達させる道は、自然のシミュレーションで進化の過程を模倣することでもたらされると我々は主張する。
この研究は、進化的リワード(EvER)を通じて進化的リワード(Evolutionary Reward)を提案する。
論文 参考訳（メタデータ） (2020-03-31T18:16:53Z)
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。