Resumen - Simulando Evolvability como un Algoritmo de Aprendizaje: Investigaciones Empíricas sobre Sensibilidad a la Distribución, Robustez y Comprimas de Restricciones

Simulando Evolvability como un Algoritmo de Aprendizaje: Investigaciones Empíricas sobre Sensibilidad a la Distribución, Robustez y Comprimas de Restricciones

2025-07-24 04:32:31

{"Nicholas Fidalgo","Puyuan Ye"}

{cs.CC}

Este documento investiga el concepto de evolvability, introducido por Valiant en 2009, que formaliza la evolución como un algoritmo de aprendizaje restringido que opera sin ejemplos etiquetados o conocimiento estructural. Los autores implementan un algoritmo genético que simula el modelo de Valiant y llevan a cabo experimentos extensos en seis clases de funciones booleanas: conjunciones monótonas, disyunciones monótonas, paridad, mayoría, conjunciones generales y disyunciones generales. El estudio examina la evolvability bajo distribuciones uniformes y no uniformes, investiga los efectos de hipótesis iniciales fijas y la eliminación de mutaciones neutrales, y resalta cómo estas restricciones alteran el comportamiento de convergencia. Los autores validan resultados conocidos (por ejemplo, la evolvability de las conjunciones monótonas, la no-evolvability de la paridad) y ofrecen la primera evidencia empírica sobre la evolvability de las clases booleanas de mayoría y generales. Los hallazgos revelan caídas bruscas en el rendimiento en dimensiones intermedias (por ejemplo, n = 10) y exponen el papel esencial de las mutaciones neutrales para evitar planos de fitness. Los autores también demuestran que la evolvability puede depender fuertemente de la distribución de entrada. Estas insucciones clarifican los límites prácticos de la búsqueda evolutiva y sugieren nuevas direcciones para el trabajo teórico, incluyendo posibles refinamientos en las definiciones y límites de la evolvability. La implementación proporciona un marco riguroso y extensible para el análisis empírico y actúa como plataforma para futuras exploraciones del aprendizaje a través de la evolución. El estudio contribuye a una conversación creciente en la informática teórica sobre los límites del aprendizaje posible y ofrece insucciones valiosas sobre el comportamiento práctico de la búsqueda evolutiva y los factores que influyen en su éxito.