Consolidating Birth-Death and Death-Birth Processes in Structured Populations
Notice bibliographique
Résumé
Network models extend evolutionary game theory to settings with spatial or social structure and have provided key insights on the mechanisms underlying the evolution of cooperation. However, network models have also proven sensitive to seemingly small details of the model architecture. Here we investigate two popular biologically motivated models of evolution in finite populations: Death-Birth (DB) and Birth-Death (BD) processes. In both cases reproduction is proportional to fitness and death is random; the only difference is the order of the two events at each time step. Although superficially similar, under DB cooperation may be favoured in structured populations, while under BD it never is. This is especially troubling as natural populations do not follow a strict one birth then one death regimen (or vice versa); such constraints are introduced to make models more tractable. Whether structure can promote the evolution of cooperation should not hinge on a simplifying assumption. Here, we propose a mixed rule where in each time step DB is used with probability δ and BD is used with probability 1-δ. We derive the conditions for selection favouring cooperation under the mixed rule for all social dilemmas. We find that the only qualitatively different outcome occurs when using just BD (δ = 0). This case admits a natural interpretation in terms of kin competition counterbalancing the effect of kin selection. Finally we show that, for any mixed BD-DB update and under weak selection, cooperation is never inhibited by population structure for any social dilemma, including the Snowdrift Game.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».