概要 - 進化性を学習アルゴリズムとしてシミュレートすること：分布敏感性、耐性、制約のトレードオフに関する経験的研究
タイトル
進化性を学習アルゴリズムとしてシミュレートすること：分布敏感性、耐性、制約のトレードオフに関する経験的研究
時間
2025-07-24 04:32:31
著者
{"Nicholas Fidalgo","Puyuan Ye"}
カテゴリ
{cs.CC}
リンク
http://arxiv.org/abs/2507.18666v1
PDF リンク
http://arxiv.org/pdf/2507.18666v1
概要
この論文は、2009年にValiantによって提案された「進化能」の概念を調査しています。進化能は、ラベリングされた例や構造的知識がなくとも動作する制約付きの学習アルゴリズムとして進化を形式化しています。著者たちは、Valiantのモデルをシミュレートする遺伝的アルゴリズムを実装し、6つのブール関数クラス（単調合論、単調析論、奇偶性、過半数、一般合論、一般析論）に対して広範な実験を行いました。 研究は、一貫的および非一貫的な分布下での進化能を検討し、固定された初期仮説と中性的な変異の除去による影響を調査し、これらの制約が収束行動をどのように変えるかを強調しています。著者たちは、既知の結果（例えば、単調合論の進化能、奇偶性の非進化能）を確認し、過半数と一般ブールクラスの進化能に関する初めての実証的な証拠を提供しています。 この研究は、中間次元（例えば、n = 10）での急激な性能低下を明らかにし、適応度のピークから逃れるために中性的な変異が不可欠であることを示しています。また、進化能が入力分布に強く依存する可能性を示しています。これらの洞察は、進化的な探索の実際の限界を明らかにし、進化能の定義や限界の見直しを含む理論的研究の新しい方向を提案しています。 この実装は、厳密で拡張可能な実験的分析フレームワークを提供し、進化を通じて学習を探求する未来の研究のためのテストベッドとして機能します。この研究は、理論的コンピュータサイエンスにおける実現可能な学習の境界に関する成長する議論に貢献し、進化的な探索の実際の行動や成功を影響する要因に関する貴重な洞察を提供しています。
推奨論文
MTU: zkSpeedでハイパープロンクを加速するためのマルチ機能ツリーユニット
TrinityDNA：効率的な長序列DNAモデリングのための生物由来の基盤モデル
細胞無しのマスive MIMOシステムにおけるハイブリッド量子卷積神経網補助のパイロットアサインメント
非曲がり可能なガラス中間基板によって実現される高性能かつ熱的にも可能なマルチチップレットアーキテクチャの設計
自回归時間序列のための効率的な因果発見
モバイルエッジコンピューションシステムにおけるデッドライン意識型のジョイントタスクスケジューリングおよびオフロード
構造力駆動型のトポロジー最適化における適応的な细化と粗化
AI電話調査：AIインタビュアーを用いた定量データ収集の自動化
半ストリーミング単一ソース最短経路のためのより良い境界
RoadBench：道路損傷理解のためのビジョン言語基盤モデルとベンチマーク