Oct, 2014

游戏中的神经进化：现状和开放挑战

PDF
TL;DR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。
发现论文，激发创造
  • 对抗生成神经进化控制行为模仿

    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

  • 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

  • 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

  • 玩转神经科学：神经影像学与游戏的过去、现在和未来

    电子游戏对于推动人工智能、人机交互或虚拟现实等许多研究领域的进展起到了催化剂的作用。本文将分析神经科学和游戏研究之间的当前关系，并展望未来发展方向。

    Mar, 2024

  • 进化复杂化促进竞争协同进化

    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

  • 神经进化电子动态网络

    利用动态和部分重构能力强大的现代可编程门阵列作为神经进化动态神经网络的强大平台的潜力得到了本研究的实证。

    Apr, 2024

  • 神经进化是技能发现中替代强化学习的竞争性方法

    通过在 8 种最先进的方法上进行广泛的实证评估，本文证明了 Quality Diversity (QD) 方法是技能发现的一种有竞争力的替代方案，既可以提供相同甚至更好的性能，而且对超参数更不敏感且可扩展性更高。

    Oct, 2022

  • 通过神经网络的随机多样性进化学习行动

    本文提出将神经网络的神经元进行参数优化，以获得能够执行复杂计算的不同类型的神经元，并展示了如何通过演化神经元参数来解决各种强化学习任务。研究结果表明，神经元的多样性有助于提高神经网络的计算能力。

    May, 2023

  • 人工神经网络中基于大脑启发的学习策略综述

    本篇论文全面综述了现今人工神经网络中基于仿生学学习机制的表示，研究了加入更多仿生意义机制如突触可塑性以加强网络能力的可能性和挑战，并找到未来的研究方向，以更深入理解智能的本质。

    May, 2023

  • 进化机器学习与游戏

    进化机器学习已被应用于游戏的多个方面和不同目的。AI 在游戏中的研究不仅关乎玩游戏，还包括生成游戏内容、模拟玩家等多个应用，其中许多应用对于进化机器学习提出了有趣的问题。本章将根据进化是用于增强机器学习还是机器学习用于增强进化来结构化地讨论游戏中的进化机器学习。为了完整起见，我们还简要讨论了机器学习和进化在游戏中的分开使用。

    Nov, 2023