論文の概要: Flawed in Nature, Perfect through Evolution

• arxiv url: http://arxiv.org/abs/2609.00129v1
• Date: Mon, 31 Aug 2026 18:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:35.88187
• Title: Flawed in Nature, Perfect through Evolution
• Title（参考訳）: 自然に欠陥、進化を通して完璧に
• Authors: J. M. Diederik Kruijssen,
• Abstract要約: 最適性から遠ざかるモデル係数の意図的な突然変異を受けるAI/MLモデルの群は、環境変化における性能を確実にかつ持続的に改善できることを示す。 我々は、このメカニズムを「自然界において、進化を通して完璧に」と呼び、個々のパフォーマンスを犠牲にして、集団的なパフォーマンス向上が進むことを反映している。 環境の未知のドリフト速度に合わせるように変異ドリフトレートを調整し,実用的な応用を可能にする,シンプルな適応型コントローラの概要を述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The performance of artificial intelligence (AI) and machine learning (ML) models degrades when the problem they were trained on drifts. This is a near-universal feature of real-world problems, which often change unpredictably. Biological evolution has achieved intelligence by overcoming this obstacle through natural selection acting on heritable variation. AI/ML techniques have long incorporated forms of natural selection, but it has been challenging to maintain model diversity as optimization naturally drives convergence. Here we show that a swarm of AI/ML models subjected to deliberate mutations of their model coefficients away from optimality can reliably and sustainably improve performance in changing environments by acting as a statistical hedge against non-stationarity. We call this mechanism 'Flawed in Nature, Perfect through Evolution', reflecting that the collective performance gain goes at the expense of individual performance. We prove via four theorems that the resulting regret reduction is guaranteed under general conditions, establishing the Flawed-in-Nature mechanism as a generalizable design principle for AI/ML systems. We validate these results on synthetic linear regression tasks, demonstrating that the mutated swarm delivers the best model in $\sim80\%$ of environment changes and that inference synthesis successfully translates this individual advantage into a collective one. The mechanism proves to be most effective when the mutation drift rate matches the drift rate of the environment. We outline a simple, adaptive controller that enables practical applications by tuning the mutation drift rate to match the unknown drift rate of the environment. The close analogy of the Flawed-in-Nature mechanism to biological evolution suggests it may have been a critical missing ingredient for the organic discovery of AI forms that more closely mimic biological intelligence.
• Abstract（参考訳）: 人工知能(AI)と機械学習(ML)モデルの性能は、ドリフトでトレーニングされた問題によって低下する。 これは現実世界の問題のほぼ普遍的な特徴であり、しばしば予測不可能に変化する。 生物学的進化は、遺伝的変異に作用する自然選択によって、この障害を克服することで知性を達成した。 AI/ML技術は、長い間自然選択の形式を取り入れてきたが、最適化が自然に収束を促進するため、モデルの多様性を維持することは困難だった。 ここでは、最適性から遠ざかるモデル係数の故意な突然変異を受けるAI/MLモデル群が、非定常性に対する統計的ヘッジとして機能することにより、環境変化における性能を確実にかつ持続的に向上させることができることを示す。 我々は、このメカニズムを「自然界において、進化を通して完璧に」と呼び、個々のパフォーマンスを犠牲にして、集団的なパフォーマンス向上が進むことを反映している。 我々は,AI/MLシステムの一般化可能な設計原理としてFlawed-in-Nature機構を確立することにより,結果として生じる後悔の低減が一般的な条件下で保証されることを4つの定理で証明する。 我々はこれらの結果を合成線形回帰タスクで検証し、変異したSwarmが環境変化の$\sim80\%$で最良のモデルを提供することを示した。 このメカニズムは、突然変異のドリフトレートが環境のドリフトレートと一致した場合、最も効果的であることが証明される。 環境の未知のドリフト速度に合わせるように変異ドリフトレートを調整し,実践的な応用を可能にする,シンプルな適応型コントローラの概要を述べる。 生物学的進化へのFlawed-in-Natureのメカニズムの類似は、生物学的知性をよりよく模倣するAIフォームの有機的発見に欠かせない要素であったことを示唆している。

関連論文リスト

• Learning Context-Aware Neural ODE Dynamics for Adaptive Robotic Control [55.01272784312405]
  本稿では,ニューラル常微分方程式に基づく文脈認識力学モデルを提案する。 Sphero BOLTロボットとFanucマニピュレータを実世界の実験で使用した。
  論文  参考訳（メタデータ） (2026-06-13T20:55:46Z)
• Cultivating Machine Intelligence: The OMEGA Shift from Top-Down Optimization to Autopoietic Cognitive Ecologies [0.0]
  本稿では,計算生態学による知性を育成するための理論的枠組みであるRECLAIMを紹介する。 ダーウィン一般主義は、勾配を盲目な変化と選択的保持に置き換える。 非エージェントの出現は、環境物理学による評価報酬を代用する。 このアーキテクチャは、マルコフが有界で有限計算エネルギーを競う自己ポエティック単位(autopoietic unit)を定めている。
  論文  参考訳（メタデータ） (2026-05-24T13:13:16Z)
• Aligning Agentic World Models via Knowledgeable Experience Learning [68.85843641222186]
  環境フィードバックをシンセサイザー化したWorld Knowledge Repositoryを構築するフレームワークであるWorldMindを紹介する。 WorldMindは、優れたクロスモデルとクロス環境転送性を備えたベースラインよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-01-19T17:33:31Z)
• From Pheromones to Policies: Reinforcement Learning for Engineered Biological Swarms [0.0]
  本研究では, フェロモンを介するセロモン凝集と強化学習(RL)の理論的等価性を確立する。 我々は,フェロモンが数学的に相互学習の更新を反映していることを示し,捕食作業を行う線虫群をモデル化した。 この結果から, 環境信号が外部メモリとして機能する分散RLプロセスは, スティグマイシン系が本質的にコード化されていることが示唆された。
  論文  参考訳（メタデータ） (2025-09-24T13:16:35Z)
• Iterative Distillation for Reward-Guided Fine-Tuning of Diffusion Models in Biomolecular Design [58.8094854658848]
  生体分子設計における報酬誘導生成のための微調整拡散モデルの問題に対処する。 本稿では,拡散モデルによる任意の報酬関数の最適化を可能にする,反復蒸留に基づく微調整フレームワークを提案する。 KLの発散最小化と相まって,既存のRL法と比較してトレーニングの安定性とサンプル効率を向上させる。
  論文  参考訳（メタデータ） (2025-07-01T05:55:28Z)
• 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)
• EvolvingGrasp: Evolutionary Grasp Generation via Efficient Preference Alignment [42.41408547627677]
  EvolvingGraspは、優先アライメントによる把握性能を継続的に向上する進化的グリップ生成法である。 EvolvingGraspは, シミュレーションと実シナリオの両方において, 進化的把握生成, 堅牢で, 物理的に実現可能で, 嗜好に整合した把握を可能にする。
  論文  参考訳（メタデータ） (2025-03-18T15:01:47Z)
• Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning [78.38442423223832]
  我々は、新しいコードブック事前学習タスク、すなわちマスク付きマイクロ環境モデリングを開発する。 突然変異効果予測において、最先端の事前学習法よりも優れた性能と訓練効率を示す。
  論文  参考訳（メタデータ） (2024-05-16T03:53:21Z)
• The Effect of Epigenetic Blocking on Dynamic Multi-Objective Optimisation Problems [1.4502611532302039]
  エピジェネティックなメカニズムは、環境変化に素早く非あるいは部分的に適応できる。 本稿では、自然界におけるエピジェネティック継承の利点が、動的多目的問題において複製されるかどうかを問う。
  論文  参考訳（メタデータ） (2022-11-25T16:33:05Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)

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。