深度学习生成神经进化
本文提出了一种基于遗传编程的演化深度学习方法,可以自动演化可变长度模型,同时构建有效和多样化的 ensemble 用于图像分类,具有优越的性能和解释性。
Sep, 2022
我们提出了一个使用自监督学习来进化深度神经网络的框架,通过在 CIFAR-10 数据集上的实验结果表明,我们能够在降低对标注数据依赖的同时进化出适当的神经网络结构,并且相比于采用监督学习的个体,通过自监督学习学习到的网络结构对于输入的标注数据量较不敏感。
Jun, 2024
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。
Jun, 2011
本研究探索深度神经进化算法是否可用于行为模仿,通过引入一个简单的对抗生成框架,将深度递归网络进化到可以在 8 个 OpenAI Gym 状态控制任务上模仿最先进的预训练代理的能力。实验结果表明,神经进化在生成行为模拟代理方面具有很大的潜力,可以使其在准确度和泛化性方面更具可操作性。
Apr, 2023
我们证明了遗传算法可以在深度人工神经网络上实现良好的性能表现,即使没有梯度信息支持,我们使用深度遗传算法结合新颖搜索技巧在具有挑战性的深度强化学习问题上获得了成功,并且速度比其他算法更快,能够实现高效编码。
Dec, 2017
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
本文强调了人脑的二维进化对于深度神经网络的进化建模的重要性,提出了通过进化算法对深度神经网络进行自动构建的研究前沿,并探讨了 dropout 方法和神经发生与 DNNs 进化之间的联系,为增强深度神经网络的自动构建提出了几项建议。
Apr, 2023
本研究提出了一种新的自动化机器学习(AutoML)框架,通过演化图神经网络(GNN)模型来寻找最合适的结构和学习参数,并在半监督和归纳式节点表示学习和分类任务上展示它的性能。
Sep, 2020