Dec, 2017

通过输出梯度为深度和递归神经网络提供安全突变

PDF
TL;DR该论文提出了一种通过引入安全变异算子来增加深度神经网络的进化能力的方法，这种方法基于梯度的变异算子可以在高维度问题中发现解决方案，该算子不需要额外的环境交互，这扩展了神经进化的适用域。
neuroevolutionsafe mutation operatorsdeep neural networksgenetic algorithm-based neuroevolutiongradient-based mutation
发现论文，激发创造
  • NeuroLGP-SM: 深度神经网络的可扩展替代辅助神经进化

    在神经进化（neuroevolution）中，我们提出了一种名为 NeuroLGP-SM 的方法，它利用表型距离向量和 Kriging Partial Least Squares（KPLS）作为代理模型，以高效准确地评估大型深度神经网络（DNNs）的适应度，并且相比其他方法具有竞争力或更好的结果和更高的能源效率。

    Apr, 2024

  • 神经网络的自动修复

    提出了一种通过使用 SMT 求解器修复有关安全规范的不安全神经网络，以防止对抗攻击，并且通过修改少量的权重值来寻找新的安全神经网络表示，从而最大限度地保持决策边界相似性，同时保证只有轻微的准确度损失，证明了该方法的实用性。

    Jul, 2022

  • 深度神经网络的安全验证

    本研究提出一种基于 Satisfiability Modulo Theory (SMT) 的新型自动化验证框架，旨在保证深度神经网络对于图像操作的安全性，能够发现对于给定操作范围和家族，对抗性样本是否存在，同时比较现有的相关技术。

    Oct, 2016

  • ALPHAGMUT: 基于理性引导的 Alpha Shape 图神经网络用于评估突变效果

    通过计算蛋白质结构的 α 形状，利用结构信息和序列属性来评估突变效应，区分有病原性突变和无病原性突变的基于图神经网络的 AlphaGMut 新方法在性能指标上优于 DeepMind 的 AlphaMissense 等现有方法。

    Jun, 2024

  • 深度神经进化：遗传算法是训练深度神经网络进行强化学习的竞争性替代方案

    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

  • 神经 LGP-SM：基于线性遗传编程的辅助神经进化方法

    我们通过采用基于线性遗传编程的适当表示方法（称为 NeuroLGP）和应用克里金偏最小二乘法来解决神经演化中的计算挑战，提出了一种称为 NeuroLGP-Surrogate Model（NeuroLGP-SM）的方法。该方法在 96 次独立运行中表现出卓越的精度，并且比基线方法节省了 25% 的计算资源，进一步突显了其在神经演化中的效率。

    Mar, 2024

  • 演化策略：在混合量子 - 经典神经网络中的应用

    本 paper 研究了在量子机器学习中一种名为 Evolution Strategies 的黑盒优化算法，其对 QNNs 进行训练是一种可行的替代方法，但同时也存在梯度消失的问题，其表现强烈依赖于超参数的选择。

    May, 2022

  • 使用轻量级等变图神经网络准确预测突变效应

    通过引入轻量化图形表示学习方案，本研究建议一种有效分析野生型蛋白质微环境、推荐实用高阶突变，并使用有限的计算资源和少量的突变训练样本进行推断模型的连续改进的方法，从而准确预测蛋白质功能和变异效应。

    Apr, 2023

  • 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

  • DeepSafe: 基于数据驱动的神经网络对抗鲁棒性检测方法

    本文提出了一种利用聚类方法自动识别神经网络输入空间安全区域的方法，并借助验证技术来确认这些区域是否安全或提供不安全的反例，并引入了目标鲁棒性的概念，以确保神经网络不会将任何输入映射到目标标签，利用 MNIST 数据集以及控制下一代无人机避撞系统的神经网络实施的空中碰撞预防系统（ACAS Xu）进行验证。

    Oct, 2017