論文の概要: Evolutionary Recurrent Decision Model in Developing Adaptive and Maladaptive Behaviors

• arxiv url: http://arxiv.org/abs/2608.23932v1
• Date: Tue, 25 Aug 2026 00:45:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.670222
• Title: Evolutionary Recurrent Decision Model in Developing Adaptive and Maladaptive Behaviors
• Title（参考訳）: 適応的・マレーダプティブな行動の発達における進化的反復決定モデル
• Abstract要約: 本研究は進化的反復決定モデル(ERDM)を紹介する。 ERDMは、進化的ミスマッチ、有界合理性、満足度が適応的かつ不適応な振る舞いにどのように貢献するかを調べるために設計された、計算強化学習フレームワークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study introduces the evolutionarily recurrent decision model (ERDM), a computational reinforcement learning framework designed to examine how evolutionary mismatch, bounded rationality, and satisficing contribute to adaptive and maladaptive behavior. ERDM simulates agents across evolutionary recurrent environments, including threat, prey/goal-pursuits, and alliances. Agents learn through competing rewards abstracted from survival metrics. A validity study under varying adverse childhood experiences demonstrates that distinct adaptive and maladaptive strategies, such as learned helplessness, avoidance, healthy relationships, and aggression, emerge naturally without being hardwired. These results align with empirical literature, showcasing ecological validity. The results suggest that many psychopathology-relevant aspects may be interpreted as bounded cognitive systems operating under modern-ancestral environmental mismatch, positioning ERDM as a key computational cognitive tool that can be extended to other studies.
• Abstract（参考訳）: 本研究では、進化的ミスマッチ、有界合理性、満足度が適応的かつ不適応な振る舞いにどのように寄与するかを検討するために設計された計算強化学習フレームワークである進化的反復決定モデル(ERDM)を紹介する。 ERDMは、脅威、獲物/ゴール・スーツ、アライアンスなど、進化的に繰り返される環境にまたがるエージェントをシミュレートする。 エージェントは、サバイバルメトリクスから抽象化された競合する報酬を通じて学習する。 様々な有害な幼少期経験の下での妥当性調査は、学習した無力感、回避、健全な関係、攻撃といった、適応的かつ不適応な戦略が、ハードワイヤーを使わずに自然に現れることを示した。 これらの結果は実証文学と一致し、生態学的妥当性を示す。 その結果、多くの精神病理関連側面は、現代の祖先の環境ミスマッチの下で動作している有界認知システムとして解釈され、ERDMは他の研究に拡張可能な重要な認知ツールとして位置づけられていることが示唆された。

関連論文リスト

• Self-Evolving Memory for Generative Recommendation [100.15207958893029]
  生成的レコメンデーションは、パーソナライズされたレコメンデーションのための有望なエンドツーエンドパラダイムとして登場した。 継続的再訓練や蒸留に基づく適応といった既存の進化戦略は、共有モデルパラメータを直接更新する。 本稿では,異種行動パターン間の効果的な進化を実現することを目的とした,自己進化型メモリパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-09-14T14:00:38Z)
• Revealing Behavioral Plasticity in Large Language Models: A Token-Conditional Perspective [63.9266662672413]
  大規模言語モデル (LLM) は, トークン条件生成によって露出し, 強化学習によって安定化される固有の行動可塑性を有することを示す。 Token-Conditioned Reinforcement Learning (ToCoRL)を提案する。
  論文  参考訳（メタデータ） (2026-03-09T13:56:53Z)
• Reward Engineering for Spatial Epidemic Simulations: A Reinforcement Learning Platform for Individual Behavioral Learning [0.0]
  本稿では,Gymnasium互換強化学習プラットフォームであるContagionRLについて述べる。 我々のプラットフォームは、様々な流行シナリオにおいて、報酬関数設計が学習した生存戦略にどのように影響するかを厳格に評価することができる。
  論文  参考訳（メタデータ） (2025-11-22T10:02:37Z)
• 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)
• Gearshift Fellowship: A Next-Generation Neurocomputational Game Platform to Model and Train Human-AI Adaptability [0.0]
  Gearshift Fellowship(GF)は、人間と人工エージェントが環境の変化にどのように適応するかをモデル化する新しいSupertaskパラダイムのプロトタイプである。 GFは、科学を加速し、臨床ケアを変革し、個々の成長を促進するために設計された新しい適応型エコシステムを構築している。
  論文  参考訳（メタデータ） (2025-07-11T14:20:13Z)
• Predictability Shapes Adaptation: An Evolutionary Perspective on Modes of Learning in Transformers [51.992454203752686]
  トランスフォーマーモデルは、IWL(In-weights Learning)とICL(In-context Learning)の2つの異なるモードで学習する。 我々は進化生物学の類似した適応戦略である遺伝的エンコーディングと表現型可塑性からインスピレーションを得ている。 我々はこれらの予測可能性の次元を実験的に運用し、トランスフォーマーのICL/IWLバランスへの影響について検討する。
  論文  参考訳（メタデータ） (2025-05-14T23:31:17Z)
• Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
  実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。 概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。 我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T20:05:51Z)
• 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)
• Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems [59.117526206317116]
  Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化可能であることを示す。 4つの実世界のデータセットの実験では、細胞は最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-05-29T02:35:23Z)
• Lamarckian Inheritance Improves Robot Evolution in Dynamic Environments [2.111420195774799]
  本研究では,ラマルク系と進化ロボティクス(ER)の統合について検討する。 ラマルクの原理を採用することで、ロボットは学習した特性を継承し、ダーウィンの学習と並行して、動的環境の適応について検討する。 我々の研究は6つの異なる環境設定で行われ、ラマルク系がダーウィン系よりも適応性と効率性が優れていることを示した。
  論文  参考訳（メタデータ） (2024-03-28T16:27:20Z)
• CogReact: A Reinforced Framework to Model Human Cognitive Reaction Modulated by Dynamic Intervention [11.149593958041937]
  本研究では,人間の認知過程に対する動的環境刺激の微粒化効果をシミュレートするために,ドリフト拡散と深部強化学習を統合したCogReactを提案する。 認知過程に対する環境刺激の時間的効果を考慮し、認知モデルを改善し、主観的・刺激特異的な行動差を捉える。 全体として、動的コンテキストにおける人間の認知応答の相違をシミュレートし、一致させ、理解するための、強力でデータ駆動の方法論を示します。
  論文  参考訳（メタデータ） (2023-01-15T23:46:37Z)
• Learning Complex Spatial Behaviours in ABM: An Experimental Observational Study [0.0]
  本稿では,創発的エージェント行動の生成にReinforcement Learningを適用する方法について検討する。 一連のシミュレーションを行ない, エージェントが実世界の知的適応行動の特性を示す方法として, プロクサマルポリシー最適化アルゴリズムを用いて訓練されたことを実証した。
  論文  参考訳（メタデータ） (2022-01-04T11:56:11Z)
• The Introspective Agent: Interdependence of Strategy, Physiology, and Sensing for Embodied Agents [51.94554095091305]
  本論では, 環境の文脈において, 自己能力を考慮した内省的エージェントについて論じる。 自然と同じように、私たちは戦略を1つのツールとして再編成して、環境において成功させたいと考えています。
  論文  参考訳（メタデータ） (2022-01-02T20:14:01Z)

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。