Jun, 2011

进化复杂化促进竞争协同进化

PDF
TL;DR本文通过 NeuroEvolution of Augmenting Topologies（NEAT）方法在协同进化的机器人对战领域进行应用，证明复杂化的进化方式可以更好地发现和改进复杂问题的解决方案，因此我们应该让进化和搜索复杂化并优化以发现和改进复杂问题的解决方案。
machine learningcomplexificationneuroevolution of augmenting topologiescoevolutionary robot duel domainevolution
发现论文，激发创造
  • 深度学习生成神经进化

    本篇论文探讨神经进化在深度学习中的作用，其中 HyperNeat 通过训练一种间接编码来实现学习大型神经结构，并且结合其他机器学习方法可以有效提取特征。

    Dec, 2013

  • 用进化功能化的人工神经网络

    提出了一种基于张量微积分和拟达尔文机制的混合模型，用于寻找适合于策略、控制和模式识别任务的拓扑结构，并且能够在早期演化阶段提供适应的拓扑结构，从而在机器人，大数据和人工生命等领域得到应用。

    May, 2022

  • 图像分类器结构搜索的正则化进化

    这篇文章介绍了使用进化算法自动生成图像分类器的技术，并提出了一种改进的锦标赛选择进化算法，在同样的计算资源下超过了人类手工设计的图像分类器，并在 ImageNet 数据集上取得了优异成果。

    Feb, 2018

  • 用于深度多任务网络的进化架构搜索

    通过进化优化，结合自定义路由和共享模块，提高了 Omniglot 的多任务、多字符识别的表现，为深度神经网络和复杂系统设计提供了重要思路。

    Mar, 2018

  • 图像分类器的大规模进化

    采用进化算法发现神经网络的架构，提出新型变异算子探索搜索空间以实现自动化，成功在 CIFAR-10 和 CIFAR-100 数据集上达到 94.6% 和 77.0% 的准确率，且无需人为干预。

    Mar, 2017

  • 结合卷积神经网络的神经进化增强拓扑

    本文探索将神经进化算法应用于卷积神经网络拓扑结构优化，使用 Residual Networks 实现可变卷积神经网络拓扑结构，同时讨论如何对该系统进行优化以适应基于遗传算法的优化方法。

    Oct, 2022

  • 复杂网络的人工智能：潜力、方法论和应用

    复杂网络科学中的人工智能潜在优势、关键研究问题和方法学及应用的综述。

    Feb, 2024

  • 游戏中的神经进化：现状和开放挑战

    该论文调查了将神经进化（NE）应用于游戏的研究，分析了在五个不同的方面中，NE 在游戏中的应用，其中包括选择在游戏中发挥作用的 NE 角色，使用的不同类型的神经网络，这些网络如何进化，如何确定适应性以及网络接收的输入类型，同时还强调了该领域的重要开放性研究挑战。

    Oct, 2014

  • 控制任务中的循环架构的神经进化

    该研究提出了一种新方法，即利用少量的突变规则来动态演化循环神经网络的结构，其结果表明，这种方法可以在大多数情况下匹配或超过梯度下降方法的性能，同时使用数量级更少的参数，该方法有望在对网络紧凑性和自主设计至关重要的实际应用方面开辟新的途径。

    Apr, 2023

  • 生成对抗网络的共同进化

    本研究提出 COEGAN 模型，将神经进化和协同进化技术应用于 GAN 训练中，提高了训练的稳定性和 GAN 网络结构的自动发现，解决了部分模式崩溃问题。

    Dec, 2019