論文の概要: Inherited Learning in an Artificial Ecology: How Controls and Update Allocation Shape Benefits

• arxiv url: http://arxiv.org/abs/2610.01232v1
• Date: Thu, 01 Oct 2026 07:33:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.968468
• Title: Inherited Learning in an Artificial Ecology: How Controls and Update Allocation Shape Benefits
• Title（参考訳）: 人工生態学における継承学習 : 制御と更新アロケーション形状の利点
• Abstract要約: 学習した好みを継承することで、世代間で有用な行動を維持することができる。 子孫の行動だけでなく、生存、再生、さらなる更新の機会も継承する。 資源制限された人工生態学におけるこの問題について検討する。
• 参考スコア（独自算出の注目度）: 16.342423540028296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning can improve an individual's behavior, yet a population risks losing that experience whenever individuals die and are replaced. Inheriting learned preferences offers a way to preserve useful behavior across generations, raising a question for artificial populations: when does inheritance improve collective performance, and how can its benefits be measured fairly? The challenge is that inheritance changes not only offspring behavior but also survival, reproduction, and opportunities for further hereditary updates. Random controls with equal update magnitudes may therefore yield misleading comparisons if they alter different states or obey different stability constraints. We investigate this problem in a resource-limited artificial ecology, combining structured random controls with interventions on newborn preferences and the allocation of hereditary updates. Preserving the state structure of random updates substantially narrows the apparent inheritance advantage, while a conditional establishment-speed benefit remains. Preference erasure and faster-learning compensation support a contribution from reduced offspring relearning. Update allocation also changes the comparison: event quotas and common time cutoffs can reverse rankings, although they also change realized update amounts. With update count and cumulative magnitudes matched, staged release improves occupancy but does not achieve the prespecified establishment criterion. These findings provide a framework for distinguishing the value of inherited preferences from the effects of control design and update allocation, clarifying how inherited learning should be evaluated in artificial populations.
• Abstract（参考訳）: 学習は個人の行動を改善することができるが、個人が死に、置き換えられると、その経験を失うリスクがある。 学習された嗜好を継承することは、世代間で有用な行動を維持する方法を提供し、人工的な集団に対する疑問を提起する。 問題は、遺伝が子孫の行動だけでなく、生存、再生、さらなる遺伝的更新の機会も変化することである。 したがって、同じ更新等級のランダム制御は、異なる状態を変更したり、異なる安定性制約に従う場合、誤解を招く比較をもたらす可能性がある。 資源制限された人工生態学におけるこの問題について検討し、構造化ランダム制御と新生児選好への介入と遺伝的更新の割り当てを組み合わせた。 ランダム更新の状態構造を保存することは、明らかに継承の優位性を著しく制限する一方、条件付き設定速度の利点は残る。 優先度の消去とより高速な学習補償は、子孫の再学習の削減による貢献を支援する。 イベントクォータと一般的なタイムカットオフは、実際の更新量も変更するが、ランキングを逆転させることができる。 更新数と累積等級が一致したことにより、ステージドリリースは占有率を向上するが、予め規定された設定基準を達成できない。 これらの知見は, 遺伝学習が人工集団でどのように評価されるべきかを明らかにするために, 制御設計と更新割り当ての影響から, 継承嗜好の価値を識別する枠組みを提供する。

関連論文リスト

• Learning Dynamics of Continual Learning: A Unified View of Data Attribution, Forgetting, and Plasticity Loss [36.55356475801966]
  現代の言語モデルは、一度訓練されたり凍結されたりするのではなく、生涯にわたって更新される可能性が高い。 これらの課題は、進化する更新-振る舞いの相互作用によって管理されていることを示す。
  論文  参考訳（メタデータ） (2026-09-27T14:38:02Z)
• Lamarckian Inheritance in Dynamic Environments: How Key Variables Affect Evolutionary Dynamics [0.0]
  ラマルキアン継承の利点は、ロボットの制御に環境変化がどの程度相反するかと、ロボットエージェントに対するそれらの変化の予測可能性の2つの変数に依存することを示す。 環境変化を検出するセンサを追加することで、競合する環境におけるラマルク人の継承の利点が回復することがわかった。
  論文  参考訳（メタデータ） (2026-05-15T09:26:40Z)
• Spectral Imbalance Causes Forgetting in Low-Rank Continual Adaptation [58.3773038915023]
  継続的な学習は、事前訓練されたモデルを、以前取得した知識を忘れずにシーケンシャルなタスクに適応することを目的としている。 既存のほとんどのアプローチは、現在のタスク固有の更新が以前取得した知識を自然に保存するプロパティを考慮せずに、継続的な学習を過去の更新への干渉を避けるものとして扱う。 本稿では,視覚言語モデルで使用される標準深度ドットと互換性のある一階述語法を用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2026-01-31T13:27:02Z)
• 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)
• What Hides behind Unfairness? Exploring Dynamics Fairness in Reinforcement Learning [52.51430732904994]
  強化学習問題では、エージェントはリターンを最大化しながら長期的な公正性を考慮する必要がある。 近年の研究では様々なフェアネスの概念が提案されているが、RL問題における不公平性がどのように生じるかは定かではない。 我々は、環境力学から生じる不平等を明示的に捉える、ダイナミックスフェアネスという新しい概念を導入する。
  論文  参考訳（メタデータ） (2024-04-16T22:47:59Z)
• Why do Random Forests Work? Understanding Tree Ensembles as Self-Regularizing Adaptive Smoothers [68.76846801719095]
  統計学で広く普及している偏りと分散還元に対する現在の高次二分法は、木のアンサンブルを理解するには不十分である、と我々は主張する。 森林は、通常暗黙的に絡み合っている3つの異なるメカニズムによって、樹木を改良できることを示す。
  論文  参考訳（メタデータ） (2024-02-02T15:36:43Z)
• REBAR: Retrieval-Based Reconstruction for Time-series Contrastive Learning [64.08293076551601]
  正の対を識別する学習尺度を新たに提案する。 検索ベースレコンストラクションは2つのシーケンス間の類似度を測定する。 本稿では,REBAR誤差が相互クラスメンバシップの予測因子であることを示す。
  論文  参考訳（メタデータ） (2023-11-01T13:44:45Z)
• Towards Fair Disentangled Online Learning for Changing Environments [28.207499975916324]
  オンライン学習における環境変化は、学習パラメータが環境に固有の部分的変化に起因していると論じる。 本稿では,各時点に収集したデータを2つの表現で切り離すことができるという仮定の下で,新しいアルゴリズムを提案する。 新たな後悔は、動的および静的な後悔の指標の混合形式と、公平性に配慮した長期的制約を伴って提案される。
  論文  参考訳（メタデータ） (2023-05-31T19:04:16Z)

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。