While previously thought to be uniquely human, cumulative cultural evolution continues to be found in non-human animals. It occurs when an adaptive innovation from an individual is repeatedly passed onto consecutive generations through social learning. For example, pigeons who fly alone or in stable pairs show relatively rigid sub-optimal routes, but gradually improve route efficiency over generations of pairs in which experienced members are swapped for naive ones. This raises the question of what the minimally required cognitive architecture is for cumulative cultural evolution to emerge. Here, I aimed to answer this question in artificial agents who employ three main functions: goal-direction, social proximity, and route memory. At the optima for efficiency and generational efficiency improvement, agents replicated cumulative culture observed in pigeons. Naive individuals benefitted from being paired with an experienced navigator, because it allowed them to follow an established route. Experienced navigators also benefitted from being paired with a naive individual due to regression to the goal. Unhindered by route memory, the naive agent's heading was more likely to err towards the goal. Because of their need for social proximity, experienced agents were biased towards their naive counterparts while following a memorised route. Thus, the presence of goal-erring naive agents improved pair's route efficiency. The resulting incremental improvements over generations meet all core criteria in current frameworks of cumulative cultural evolution, suggesting that rudimentary cumulative optimisation is an evolutionary mechanism that emerges even in simple systems that prefer social proximity and have a memory capacity.


翻译:虽然以前曾认为人类是独特的,但累积的文化进化仍然是在非人类动物中发现的。当一个人的适应性创新通过社会学习反复传递给连续几代人时,就会发生。例如,单飞或以稳定的对子飞行的鸽子展示了相对严格的亚最佳路线,但逐渐提高几代人之间的路线效率,在几代人中经验丰富的成员被转换为天真的路线。这提出了一个问题,即最不需要的认知结构是什么是累积文化进化的。在这里,我的目标是在使用三大功能的人工代理人中回答这个问题:目标方向、社会接近和路线记忆。在提高效率和代际效率的选项中,代理人复制了在鸽子中观察到的累积文化文化文化文化。有经验的个人从与经验丰富的导航者配对,因为他们可以遵循固定的道路。经验丰富的导航者也从与一个天真的个人相配对,因为向目标的倒退。在路线记忆中,天真的代理人更倾向于走向目标。由于他们需要社会接近社会,经验丰富的代理人在晚年的进进进化的进进化过程中偏向着一个简单的进进进进进的进进进进的进的进进进进的进的进化机制。因此,因此,他们逐渐的进化的进进进进进进进进进进进进进进进进进进进进进进进进的进进进进进进进进进的进的进的进的进的进进的进进进的进的进的进的进的进的进的进的进的进的进的进的进的进的进的进进的进的进进进进进进进的进的进进进进的进进的进的进的进的进的进的进的进的进进的进的进的进的进进进进的进的进进进进进进进的进的进的进的进的进的进的进的进的进的进的进的进的进的进的进的进的进的进的进进进进的进进的进进进进进进进进进进的进的进的进进进进进进进进进的进的进的进的进进进的进的进的进的进的进的进的进的进的进的进的进进

0
下载
关闭预览

相关内容

Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
Arxiv
31+阅读 · 2022年2月15日
Arxiv
38+阅读 · 2020年3月10日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
Top
微信扫码咨询专知VIP会员