論文の概要: Environmental requirements for the use of social information by artificial life agents using evolved plastic artificial neural networks

• arxiv url: http://arxiv.org/abs/2609.35018v1
• Date: Mon, 28 Sep 2026 12:18:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 17:51:12.272691
• Title: Environmental requirements for the use of social information by artificial life agents using evolved plastic artificial neural networks
• Title（参考訳）: 進化するプラスチック人工ニューラルネットワークを用いた人工生命体による社会情報利用の環境要求
• Abstract要約: EPANNは、第一のプロセス、進化のプロセス、第二のプロセス、発達と生涯学習の2つのプロセスから構成される。 EPANN要求に基づくALIFEモデルは、社会的=学習の起源を研究するために使用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evolved Plastic Artificial Neural Networks (EPANNs) consist of two principal processes, the first, evolution, and the second, development and in-life learning. In the context of the origins of social = learning, very few studies have been carried out using ALIFE models based on EPANN requirements. Studies in this field have usually involved an imitative teacher/pupil relationship. This, however, ignores the possibility that the observed behaviour is a consequence of social information cues rather than direct imitation or teaching. Starting with the first of the EPANN processes (evolution), a series of experiments was undertaken using artificial neural network (ANN) based agents in a variety of foraging environments to examine under what minimal environmental conditions the use of social information might have evolved, as measured by the number of generations taken to meet a specified fitness criterion. NEAT (Neuroevolution of Augmenting Topologies) was the ANN used as its evolutionary algorithm would evolve a network's topology as well its weights. Unintentionally, in the experiment there was a simple network topology based on the location of the nearest food item which enabled agents to swiftly meet the fitness criterion. With this topology, additional information, social or otherwise, was not required and could have proved to be a hindrance. However, this does indicate that for the use of social information to have evolved, it would require a greater degree of complexity in the environment to do so.
• Abstract（参考訳）: Evolved Plastic Artificial Neural Networks (EPANN) は、第1、第2、第2、第2、第1、第1、第2、第1、第2、第1、第2、第1、第2、第2、第1、第2、第1、第2、第1、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第2、第3、第2、第2、第2、第2、第3、第3、第3、第3、第3、第3、第3、第2、第2、第2、第2、第3、第3、 社会=学習の起源の文脈では、EPANN要求に基づいてALIFEモデルを用いて非常に少ない研究がなされている。 この分野での研究は、通常、模擬的な教師/校長関係に関係している。 しかしこれは、観察された行動が直接の模倣や教育ではなく、社会的情報の手がかりの結果である可能性を無視している。 EPANNプロセス(進化)の最初の段階から、特定のフィットネス基準を満たすための世代数で測定されるように、様々な飼料環境下での人工知能(ANN)ベースのエージェントを使用して、社会的情報の使用がどのような最小の環境条件で進化したかを調べる一連の実験が実施された。 NEAT(Neuroevolution of Augmenting Topologies)は、ネットワークのトポロジと重みを進化させる進化的アルゴリズムとして使用されるANNである。 意図せず、実験では、最も近い食品の位置に基づく単純なネットワークトポロジーがあり、エージェントはフィットネス基準を迅速に満たすことができた。 このトポロジでは、追加の情報、社会的、その他の情報は必要とせず、障害であることが証明された。 しかし、このことは、社会情報の利用が発展するためには、環境がより複雑になる必要があることを示唆している。

関連論文リスト

• The Physical Basis of Prediction: World Model Formation in Neural Organoids via an LLM-Generated Curriculum [0.0]
  人間の神経オルガノイドを訓練するために設計された3つのスケーラブルでクローズドループ仮想環境のカリキュラムを提示する。 意思決定を成功させるために、より高度な世界モデルを求める3つの異なるタスク環境の設計について詳述する。 この研究は、モデルに基づく強化学習と計算神経科学のギャップを埋め、実施、意思決定、および知性の物理的基盤を研究するためのユニークなプラットフォームを提供する。
  論文  参考訳（メタデータ） (2025-09-04T19:51:00Z)
• Augmenting learning in neuro-embodied systems through neurobiological first principles [42.810158068175646]
  本稿では,最近のバイオインスパイアされたモデル,学習規則,人工ニューラルネットワークのアーキテクチャについて述べる。 我々は、神経科学とAIのギャップを埋める可能性を持つANNを増強するためのフレームワークを提案する。 課題駆動のスパイクニューラルネットワークとニューロモルフィックシステムに生物物理学の原理を統合することで、スケーラブルなソリューションが提供されることを示す。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• A Survey on Knowledge Editing of Neural Networks [43.813073385305806]
  最大の人工ニューラルネットワークでさえ間違いを犯し、世界が時間とともに進むにつれて、一度修正された予測が無効になる可能性がある。 知識編集は、訓練済みのターゲットモデルに対する信頼性、データ効率、迅速な変更の実現を目的とした、新しい研究分野として浮上している。 まず、ニューラルネットワークの編集の問題を紹介し、それを共通のフレームワークで形式化し、継続的学習のような悪名高い研究分野と区別する。
  論文  参考訳（メタデータ） (2023-10-30T16:29:47Z)
• Towards the Neuroevolution of Low-level Artificial General Intelligence [5.2611228017034435]
  我々は、AI(Artificial General Intelligence, AGI)の検索は、人間レベルの知能よりもはるかに低いレベルから始まるべきだと論じる。 我々の仮説は、エージェントが環境の中で行動するとき、学習は感覚フィードバックによって起こるというものである。 環境反応から学習する生物学的にインスパイアされた人工ニューラルネットワークを進化させる手法を評価する。
  論文  参考訳（メタデータ） (2022-07-27T15:30:50Z)
• Exploring the Intersection between Neural Architecture Search and Continual Learning [0.2148535041822524]
  ニューラルネットワークの継続的な適応性と自動化は、いくつかの領域において最重要となる。 本研究では,ニューラル・アーキテクチャ・サーチ(NAS)と継続学習(CL)の交点を網羅的に検討する。
  論文  参考訳（メタデータ） (2022-06-11T22:26:53Z)
• An Artificial Neural Network Functionalized by Evolution [2.0625936401496237]
  フィードフォワードニューラルネットワークのテンソル計算と擬似ダーウィン機構を組み合わせたハイブリッドモデルを提案する。 これにより、戦略の解明、制御問題、パターン認識タスクに適したトポロジを見つけることができる。 特に、このモデルは初期の進化段階に適応したトポロジを提供し、ロボット工学、ビッグデータ、人工生命に応用できる「構造収束」を提供することができる。
  論文  参考訳（メタデータ） (2022-05-16T14:49:58Z)
• Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
  科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。 既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。 これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T16:06:45Z)
• Relational Weight Priors in Neural Networks for Abstract Pattern Learning and Language Modelling [6.980076213134383]
  抽象パターンは、見えないデータに対する一般化の観点から、ニューラルネットワークにとって難しい問題の最もよく知られた例である。 これらの低レベル問題は、ニューラルネットワークが体系的に学習できないことを示しています。 抽象パターンの等価性と距離関係の学習を促進するリレーショナルインダクティブバイアスを作成するための新しい方法として、組み込みリレーショナルベースパターン(ERBP)を提案する。
  論文  参考訳（メタデータ） (2021-03-10T17:21:16Z)
• Continual Weight Updates and Convolutional Architectures for Equilibrium Propagation [69.87491240509485]
  Equilibrium Propagation (EP)は、ニューラルネットワークのトレーニングのためのバックプロパゲーション(BP)に対する生物学的にインスパイアされた代替アルゴリズムである。 本稿では,方程式の簡易化,学習の高速化,CNNへのEP拡張を可能にするEPの離散時間定式化を提案する。 我々のCNNモデルは、EPでMNISTで報告された最高のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-04-29T12:14:06Z)
• Alpha Discovery Neural Network based on Prior Knowledge [55.65102700986668]
  遺伝的プログラミング(GP)は、金融自動化機能構築タスクにおける最先端技術である。 本稿では,分散金融技術指標の自動構築が可能なニューラルネットワーク構造であるAlpha Discovery Neural Network (ADNN)を提案する。
  論文  参考訳（メタデータ） (2019-12-26T03:10:17Z)

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。