論文の概要: Jevolution: A Framework for Studying Communication and Collective Dynamics in AI Agents
- arxiv url: http://arxiv.org/abs/2610.14449v1
- Date: Sat, 10 Oct 2026 01:26:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.050986
- Title: Jevolution: A Framework for Studying Communication and Collective Dynamics in AI Agents
- Title（参考訳）: Jevolution: AIエージェントにおけるコミュニケーションと集合ダイナミクスを研究するフレームワーク
- Abstract要約: 本稿では,依存関係を明示する空間捕食者・捕食者・捕食者の計器的枠組みであるJevolutionを紹介する。
この貢献は、新しいポリシー学習アルゴリズムではなく、検査可能な実験システムとその証拠境界である。
- 参考スコア（独自算出の注目度）: 2.2940141855172036
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Experiments with remote decision-making agents depend on more than the policy: the world may change during inference, the simulator determines which actions are available, and births and immigration alter who can act. We present Jevolution, an instrumented spatial predator-prey framework that makes these dependencies explicit. Its reference implementation separates the evolving world, asynchronous request scheduling, controller adapters, and experiment records. The model combines local observations, energy and resource constraints, predefined signals, and inherited scalar traits. We describe these mechanisms using the ODD protocol and distinguish implemented controls from research questions requiring additional interventions. Free synthetic fixtures exercise scheduling, signaling, and inheritance against the pinned implementation; they validate specified software behavior rather than model intelligence or ecological realism. A completed communication case study illustrates the end-to-end workflow using Jev to control both species. Across 6 complete habitat-seed pairs, the mean signals-on minus signals-off difference in normalized rabbit abundance was -0.0095 (nominal 95% pair-bootstrap interval [-0.0772, 0.0602]). This small study does not resolve the direction of the signal-system effect. The contribution is an inspectable experimental system and its evidence boundaries, not a new policy-learning algorithm or a demonstration of emergent language, adaptive selection, or biological predictive validity.
- Abstract（参考訳）: 世界は推論中に変化し、シミュレーターはどのアクションが利用可能かを決定し、出生や移民は行動できるかを変える。
本稿では,これらの依存関係を明示する空間捕食者・捕食者・捕食者の計器的枠組みであるJevolutionを紹介する。
そのリファレンス実装は、進化する世界、非同期要求スケジューリング、コントローラアダプタ、実験記録を分離する。
このモデルは、局所的な観測、エネルギーと資源の制約、事前に定義された信号、および継承されたスカラー特性を組み合わせたものである。
ODDプロトコルを用いてこれらのメカニズムを記述し、追加の介入を必要とする研究課題から実装された制御を区別する。
無料の合成フィクスチャは、ピン化された実装に対してスケジューリング、シグナリング、継承を行い、モデルインテリジェンスやエコロジカルリアリズムよりも特定のソフトウェア動作を検証する。
完全なコミュニケーションケーススタディでは、Jevを使って両種の制御を行うエンドツーエンドのワークフローが示されている。
6対の完全生息環境下では, 正常化家兎における平均信号オンマイナス信号オフ差は-0.0095 (標準95%のペアブートストラップ間隔 [-0.0772, 0.0602]) であった。
この小さな研究は信号系効果の方向を解明しない。
この貢献は、検査可能な実験システムとそのエビデンスの境界であり、新しいポリシー学習アルゴリズムや創発的言語、適応的選択、生物学的予測妥当性の実証ではない。
関連論文リスト
- Behavioral Grammar: Detecting Adaptive Malware via Tiny Language Model Priors and Second-Order Temporal Analysis [1.560152792366037]
本稿では,ホストの動作を構造化言語として扱う検出アーキテクチャである振舞い文法について述べる。
各システムイベントは、イベントタイプ、プロセス、引数スケルトン、パスカテゴリ、親プロセス、ユーザ、宛先、イベント間タイミングにまたがる8つのトークン表現に識別される。
我々は,これらの知見を共進化経済学モデルに組み入れ,行動文法検出はルール回避から分布マッチングへ回避コストをシフトさせると主張した。
論文 参考訳（メタデータ） (2026-08-01T16:28:38Z) - 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) - Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond [209.35045331678043]
2つの軸に沿って組織された「レベルx法」の分類を導入します。
第一に、3つの能力レベルを定義している: 1段階の局所遷移演算子を学ぶL1 Predictor、それらをドメインの法則を尊重する多段階のアクション条件付きロールアウトに構成するL2 Simulator、新しいエビデンスに対して予測が失敗すると自己のモデルを自動で修正するL3 Evolver。
我々は400以上の作品を合成し、モデルに基づく強化学習、ビデオ生成、WebおよびGUIエージェント、マルチエージェント社会シミュレーション、AIによる科学的発見にまたがる100以上の代表システムを要約する。
論文 参考訳（メタデータ） (2026-04-24T17:48:47Z) - Autogenesis: A Self-Evolving Agent Protocol [60.15939127351914]
本稿では,自己進化プロトコルであるAutogenesis Protocol(AGP)を紹介する。
本稿では,実行中のプロトコル登録リソースを動的にインスタンス化し,検索し,精錬する自己進化型マルチエージェントシステムAGSを提案する。
論文 参考訳（メタデータ） (2026-04-16T14:04:06Z) - Structural Rigidity and the 57-Token Predictive Window: A Physical Framework for Inference-Layer Governability in Large Language Models [0.0]
現在のAIの安全性は、行動監視とトレーニング後のアライメントに依存している。
実験的な測定は、これらのアプローチは検出可能な事前コミット信号を生成しないことを示している。
本稿では,トランスフォーマー推論のダイナミクスを制約満足度モデルに結合するエネルギーベースのガバナンスフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-04T00:08:17Z) - Reasoning is a Modality [4.055765634948606]
人間の知性に中心的な能力である抽象的推論を研究する。
現代のAIシステムは、行動予測マシンとして動作する。
人間は内部状態の復号化によって行動を説明することができ、一方AIシステムは流動的なポストホックな合理化を生成することができる。
論文 参考訳（メタデータ） (2026-01-20T03:37:17Z) - 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) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Detecting Rewards Deterioration in Episodic Reinforcement Learning [63.49923393311052]
多くのRLアプリケーションでは、トレーニングが終了すると、エージェント性能の劣化をできるだけ早く検出することが不可欠である。
我々は,各エピソードにおける報酬が独立でもなく,同一に分散した,マルコフでもない,エピソード的枠組みを考察する。
平均シフトは、時間信号の劣化(報酬など)に対応する方法で定義し、最適な統計的パワーでこの問題の試行を導出する。
論文 参考訳（メタデータ） (2020-10-22T12:45:55Z) - Counter-example Guided Learning of Bounds on Environment Behavior [11.357397596759172]
本稿では, 環境の正確なモデルなしで, 仕様適合性を評価可能なデータ駆動型ソリューションを提案する。
私たちのアプローチでは、データとシステムの望ましい振る舞いの仕様を使用して、環境の振る舞いの保守的な反応性境界を学習する。
論文 参考訳（メタデータ） (2020-01-20T19:58:24Z)
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。