論文の概要: Neuroevolution Arena: Nested Ecological Evaluation of Update-and-Inheritance Regimes across Neural Architectures

• arxiv url: http://arxiv.org/abs/2608.10323v1
• Date: Mon, 10 Aug 2026 23:48:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.850801
• Title: Neuroevolution Arena: Nested Ecological Evaluation of Update-and-Inheritance Regimes across Neural Architectures
• Title（参考訳）: 神経進化アリーナ:ニューラルアーキテクチャにおける更新継承レジームのネステッドエコロジー評価
• Abstract要約: 競争力のある人工生命システムは、訓練と生態学的評価の下で訓練されたコントローラーを異なるランク付けすることができる。 神経進化アリーナ(Neuroevolution Arena)は、独立にパラメータ化された神経ネットワーク細胞のGPU加速空間生態学である。 評価コンテキストからトレーニング実行アーティファクトを分離するネストされたプロトコルをコントリビュートする。
• 参考スコア（独自算出の注目度）: 3.3057428360943013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Competitive artificial-life systems can rank trained controllers differently under training and ecological evaluation. We present Neuroevolution Arena, a GPU-accelerated spatial ecology of independently parameterized neural-network cells, and an audit-tracked nested evaluation protocol. Three implementation-specific update-and-inheritance regimes (EvoEvo, EvoRL, and RLRL) are crossed with two neural architectures for 50,000 generations in three independent training runs per condition. One saved elite-controller artifact from each of the 18 runs enters an aligned-run frozen-evaluation design comprising 198 computational jobs. Pairwise effects average three seed-defined ecological contexts (two cooperation-permitting and one attack-permitting) within each aligned training-run block; the independent level remains n = 3 runs per condition. RL-enabled regimes attain higher recorded training fitness than EvoEvo, whereas pairwise outcomes show architecture-conditioned majority patterns and substantial artifact dependence. Six-way winners vary across artifacts and contexts, and the prespecified survival endpoint has a complete floor. We contribute a nested protocol that separates training-run artifacts from evaluation contexts and exposes, rather than conceals, their different sources of variation.
• Abstract（参考訳）: 競争力のある人工生命システムは、訓練と生態学的評価の下で訓練されたコントローラーを異なるランク付けすることができる。 本稿では,独立にパラメータ化されたニューラルネットワークセルのGPUによる空間生態学であるNeuroevolution Arenaと,監査追跡型ネスト評価プロトコルを提案する。 EvoEvo、EvoRL、RLRLの3つの実装固有のアップデート・アンド・インヒビタンス・レシスタンス(EvoEvo、EvoRL、RLRL)は、条件ごとに3つの独立したトレーニングランで50,000世代にわたって2つのニューラルアーキテクチャと交差している。 18ランのそれぞれから保存された1つのエリート・コントローラ・アーティファクトは、198の計算ジョブからなるアライメント・ラン・フリーズ・評価設計に入る。 ペアワイズ効果は、各調整されたトレーニングランブロック内の3つの種定義生態文脈(2つの協力許可と1つの攻撃許可)を平均し、独立したレベルは、条件ごとに n = 3 を継続する。 RLを有効とするレギュレーションは、EvoEvoよりも高いトレーニング適合性を達成する一方、ペアワイズの結果は、アーキテクチャ条件の多数派パターンと実質的なアーティファクト依存を示す。 6方向の勝者はアーティファクトやコンテキストによって異なり、指定されたサバイバルエンドポイントには完全なフロアがある。 評価コンテキストからトレーニング実行アーティファクトを分離するネストされたプロトコルをコントリビュートする。

関連論文リスト

• DeepInsight II: One Trace from Benchmark to Robot [8.388561928330978]
  DeepInsight IIは、その基板を固定し、エンボディされたハーフを定量化する。 MotionBenchは、リリースされている4つのボディコントローラを1つのワークロードとメトリックコントラクトの下に配置する。 合成されたシステム2--1--0の研究は、トレースの局在を5つのエビデンスグラウンドのハンドオフラベルに拡張する。
  論文  参考訳（メタデータ） (2026-08-17T13:25:24Z)
• Evolutionary Curriculum Learning Improves Biological Sequence Modeling [6.89005543900307]
  変異型オートエンコーダ(VAE)は、病気の変異予測から機能的RNA設計に至るまで、生物学的配列の強力な生成モデルとして登場した。 標準的な生物学的VAEトレーニングは、全ての配列を交換可能なものとして扱い、進化的に高度に分岐した配列を組織する豊富な進化構造を無視している。 本研究では,この構造を利用した学習戦略である進化学習カリキュラム(ECL)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T14:54:45Z)
• EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
  EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。 実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。 EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
  論文  参考訳（メタデータ） (2026-06-09T17:57:16Z)
• Efficient Neural Architectures for Real-Time ECG Interpretation on Limited Hardware [0.0]
  本稿では,畳み込みニューラルネットワーク(CNN)アーキテクチャを実証的に研究し,診断精度と計算効率のトレードオフについて検討する。 本稿では,ParallelCNN,ParallelCNNew,SimpleNetの3つの軽量モデルを提案する。 我々の実験は、ドイツ、中国、米国から入手可能な12のECGデータセットを3つにまとめたものです。
  論文  参考訳（メタデータ） (2026-05-11T01:02:28Z)
• Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
  拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。 Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。 Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端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） (2026-03-12T14:36:53Z)
• AutoResearch-RL: Perpetual Self-Evaluating Reinforcement Learning Agents for Autonomous Neural Architecture Discovery [5.110708177092157]
  本稿では、強化学習エージェントが人間の監督なしにオープンエンドニューラルネットワーク研究を行うためのフレームワークであるAutoResearch-RLを提案する。 我々はこれをマルコフ決定過程として定式化し、軽微な仮定の下で収束保証を導出し、1つのGPUナノチャット事前学習ベンチマークで経験的に実証する。
  論文  参考訳（メタデータ） (2026-03-07T17:49:44Z)
• Pearl: A Foundation Model for Placing Every Atom in the Right Location [52.35027831422145]
  タンパク質-リガンド共フォールディングの基礎モデルであるPearlを紹介した。 パールはタンパク質-リガンド結合における新しい最先端性能を確立している。 Pearlは、パブリックなRuns N' PosesとPoseBustersベンチマークでAlphaFold 3や他のオープンソースベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-10-28T17:36:51Z)
• Bidirectional Awareness Induction in Autoregressive Seq2Seq Models [47.82947878753809]
  双方向認識誘導(BAI)は、ネットワーク内の要素のサブセットであるPivotsを利用して、自己回帰的制約を破ることなく双方向学習を行う訓練手法である。 特に,イメージキャプションでは2.4CIDEr,ニューラルマシン翻訳では4.96BLEU,テキスト要約では1.16ROUGEの増加が確認された。
  論文  参考訳（メタデータ） (2024-08-25T23:46:35Z)
• SARN: Structurally-Aware Recurrent Network for Spatio-Temporal Disaggregation [8.636014676778682]
  オープンデータは、通常プライバシーポリシーに従うために、しばしば空間的に集約される。しかし、粗い、異質な集約は、下流のAI/MLシステムに対する一貫性のある学習と統合を複雑にする。 本稿では,空間的注意層をGRU(Gated Recurrent Unit)モデルに統合したSARN(Structurely-Aware Recurrent Network)を提案する。 履歴学習データに制限のあるシナリオでは、ある都市変数に事前学習したモデルを、数百のサンプルのみを用いて、他の都市変数に対して微調整できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T21:01:29Z)
• Training Generative Adversarial Networks in One Stage [58.983325666852856]
  本稿では,1段階のみに効率よくGANを訓練できる汎用的なトレーニング手法を提案する。 提案手法は,データフリーな知識蒸留など,他の逆学習シナリオにも容易に適用可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-28T09:03:39Z)
• Generalized Zero-Shot Learning Via Over-Complete Distribution [79.5140590952889]
  そこで本稿では,CVAE (Conditional Variational Autoencoder) を用いたOCD(Over-Complete Distribution) の生成を提案する。 フレームワークの有効性は,Zero-Shot LearningプロトコルとGeneralized Zero-Shot Learningプロトコルの両方を用いて評価する。
  論文  参考訳（メタデータ） (2020-04-01T19:05:28Z)

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。