論文の概要: The evolution of sex for artificial intelligence: a population-genetic framework for multigenerational model populations

• arxiv url: http://arxiv.org/abs/2609.18560v1
• Date: Wed, 16 Sep 2026 12:20:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.79688
• Title: The evolution of sex for artificial intelligence: a population-genetic framework for multigenerational model populations
• Title（参考訳）: 人工知能のためのセックスの進化 : 多世代モデル集団のための集団遺伝的枠組み
• Abstract要約: AI開発のいくつかの側面は、モデルを特化したり、ピアの出力で再訓練したり、平均的な重み付けで組み合わせたりする集団プロセスに似ています。 ここでは、この並列性を開発し、性的・無性生殖の観点から多世代モデル集団を解釈する。 私はこれらの類似を、正確な継承モデル、トレーニングされたネットワーク(リカレント、フィードフォワード、変分オートエンコーダジェネレータ)、および大規模言語モデルでテストし、一般に、いくつかの測定可能なアーキテクチャ固有のバイアスで保持していることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Some aspects of AI development resemble a population process in which models are specialised, retrained on the output of peers, or combined by averaging weights. These practices lead to generations of models, in the biological sense studied by population genetics. Here, I develop this parallelism and interpret multigenerational model populations in terms of sexual and asexual reproduction, formally recombining the two fields. I test these analogies in an exact inheritance model, in trained networks (recurrent, feedforward and variational autoencoder generators) and in large language models, and show that they hold generally, with some measurable architecture-specific biases. Training recursively on model output is known to lead to model collapse, a process previously described as akin to genetic drift; I develop all that follows. A minimal model of a learner retrained on its parent's output reproduces the Wright-Fisher process exactly; verified real data added to each generation play the role of immigration, with the surprising finding that the absolute number of real data samples matters, not their share, exactly as in population genetics. Training a child on the average of its parents' outputs cancels the benefit of having several parents, matching blending inheritance (and reviving Jenkin's objection to Darwin), whereas combining parents so that each keeps its strongest contribution preserves it; merged language-model specialists exceeded every parent across seeds (the Fisher-Muller effect); and lineages become reproductively isolated, losing the ability to merge at all, when they have learned conflicting conventions and not when they have merely drifted apart. As AI societies become societies in time as well as in space, a mathematical framework for their inheritance acquires predictive power. Remarkably, that framework can be adapted almost wholesale from biology.
• Abstract（参考訳）: AI開発のいくつかの側面は、モデルを特化したり、ピアの出力で再訓練したり、平均的な重み付けで組み合わせたりする集団プロセスに似ています。 これらの慣行は、個体群遺伝学によって研究される生物学的意味において、世代々のモデルに繋がる。 ここでは、この並列性を開発し、性的・無性生殖の観点から多世代モデル集団を解釈し、2つの分野を正式に再結合する。 私はこれらの類似を、正確な継承モデル、トレーニングされたネットワーク(リカレント、フィードフォワード、変分オートエンコーダジェネレータ)、および大規模言語モデルでテストし、一般に、いくつかの測定可能なアーキテクチャ固有のバイアスで保持していることを示す。 モデル出力を反復的にトレーニングすることは、モデル崩壊につながることが知られている。 親の出力で再訓練された学習者の最小限のモデルは、ライト・フィッシャー過程を正確に再現し、各世代に付加された検証済みの実際のデータが移民の役割を果たす。 両親のアウトプットの平均的な訓練は、複数の親の利益をキャンセルし、ブレンド継承(そして、ジェンキンのダーウィンへの反対)を再現する一方で、それぞれの親が最強の貢献を維持するように組み合わせ、統合された言語モデルスペシャリストは、種子全体にわたってすべての親を超えた(フィッシャー・ミュラー効果)。 AI社会が時とともに宇宙でも社会になるにつれて、その遺伝の数学的枠組みは予測力を獲得する。 注目すべきは、このフレームワークが生物学からほぼ一括して適用可能であることだ。

関連論文リスト

• Can Generative Artificial Intelligence Survive Data Contamination? Theoretical Guarantees under Contaminated Recursive Training [11.253812961752958]
  生成人工知能(AI)は、科学、産業、社会にまたがる変革的な力となっている。 これらのシステムが普及するにつれて、Webデータは、このAIが生成する素材とますます干渉するようになる。 生成モデルは定期的に更新されるので、後続のモデルは必然的に、以前のバージョンから生成された人間生成データとAI生成データの混合に基づいてトレーニングされる。
  論文  参考訳（メタデータ） (2026-02-17T22:38:18Z)
• Anatomy of a Machine Learning Ecosystem: 2 Million Models on Hugging Face [0.0]
  本稿では,モデル開発をリードするピアプロダクションプラットフォームであるHugging Faceの186万モデルについて分析する。 進化生物学のレンズを用いて、モデルファミリー上の形質の遺伝的類似性と突然変異を測定する。 その結果、モデルが同じモデルファミリーに属すると、遺伝的マーカーや形質が重なり合う傾向にあることがわかった。
  論文  参考訳（メタデータ） (2025-08-09T04:08:49Z)
• What happens when generative AI models train recursively on each others' outputs? [8.540651225604126]
  データによるインタラクションは、おそらくオリジナルのトレーニングデータに欠落した新しい概念にそれらを公開することでモデルに恩恵をもたらすが、共有タスク上でのパフォーマンスを均質化することもできる。 データによるインタラクションは、おそらくオリジナルのトレーニングデータに欠落した新しい概念にそれらを公開することでモデルに恩恵をもたらすが、共有タスク上でのパフォーマンスを均質化することもできる。
  論文  参考訳（メタデータ） (2025-05-27T18:52:34Z)
• Model Connectomes: A Generational Approach to Data-Efficient Language Models [5.417377641166794]
  この重要な世代次元を組み込んだフレームワークを提案する。 我々は、外部進化ループから「モデルコネクトーム」を継承するモデルを訓練する。 2つの密に整合した制御モデルと比較して、コネクトームモデルは自然言語処理タスクにおいてより良く、または同等に動作することを示す。
  論文  参考訳（メタデータ） (2025-04-29T00:17:53Z)
• Deep Generative Models in Robotics: A Survey on Learning from Multimodal Demonstrations [52.11801730860999]
  近年、ロボット学習コミュニティは、大規模なデータセットの複雑さを捉えるために、深層生成モデルを使うことへの関心が高まっている。 本稿では,エネルギーベースモデル,拡散モデル,アクションバリューマップ,生成的敵ネットワークなど,コミュニティが探求してきたさまざまなモデルについて述べる。 また,情報生成から軌道生成,コスト学習に至るまで,深層生成モデルを用いた様々なアプリケーションについて述べる。
  論文  参考訳（メタデータ） (2024-08-08T11:34:31Z)
• 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)
• Learning to Jump: Thinning and Thickening Latent Counts for Generative Modeling [69.60713300418467]
  ジャンプの学習は、様々な種類のデータの生成モデリングのための一般的なレシピである。 ジャンプの学習が、デノゼの学習と相容れないパフォーマンスを期待される場合と、より良いパフォーマンスを期待される場合を実証する。
  論文  参考訳（メタデータ） (2023-05-28T05:38:28Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)
• Expectile Neural Networks for Genetic Data Analysis of Complex Diseases [3.0088453915399747]
  本研究では、複雑な疾患の遺伝子データ解析のための予測型ニューラルネットワーク(ENN)法を開発した。 期待回帰と同様に、ERNは遺伝子変異と疾患の表現型との関係を包括的に把握する。 提案手法は,遺伝子変異と疾患表現型との間に複雑な関係がある場合,既存の予測回帰よりも優れていた。
  論文  参考訳（メタデータ） (2020-10-26T21:07:40Z)

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。