使用深度学习和树搜索学习无先验数据设计：发现可推广的设计策略

Nov, 2022

使用深度学习和树搜索学习无先验数据设计：发现可推广的设计策略

Learning to design without prior data: Discovering generalizable design strategies using deep learning and tree search

Ayush Raina, Jonathan Cagan, Christopher McComb

TL;DR本文提出一种自学习框架，将深度策略网络与新颖的树搜索算法结合，实现了在问题空间中学习可推广的设计行为的目标。利用此框架，可以在没有先验数据、现有解决方案和问题特定学习的情况下，自学习高性能和通用解决方案。

Abstract

Building an ai agent that can design on its own has been a goal since the 1980s. Recently, deep learning has shown the ability to learn from large-scale data, enabling significant advances in data-driven design.

ai agent deep learning self-learning problem-solving generalization

发现论文，激发创造

深度强化学习的广义计划

从小数据域中学习推导出可适用于远大于其所训练数据范围的领域的普遍性规则，本文研究了深度强化学习和图神经网络在学习这种广义策略的应用，并证明其具有普遍性。

May, 2020

决策和控制的深度生成模型

本论文旨在研究深度模型强化学习方法的实证不足，并提出解决方案，同时探讨现代生成建模工具箱中推理技术（包括波束搜索、分类器导向抽样和图像修复等）在强化学习问题中的有效规划策略。

Jun, 2023

环境因素对位于特定环境中的代理体系统性与概括性的影响

研究神经网络的泛化能力，通过 3D Unity 模拟环境测试网络在未见过的情况下的表现并发现了训练、环境的细节影响泛化能力，建议在网络训练时按照孩子多感官、多模态的观察方式输入信息。

Oct, 2019

Pangu-Agent：具有结构化推理能力的可调优的通用型智能体

通过将结构化推理融入 AI 代理的策略中，本文提出了一个通用框架模型，比较并探索了其他 AI 流水线和现有框架。实验证明，嵌入了组织推理和先前知识的 AI 代理表现和适应性要好得多，为更强大和更通用的 AI 代理系统打开了大门。

Dec, 2023

DeepArchitect: 自动设计和训练深层体系结构

本文提出一种可自动设计、训练深度神经网络的框架，通过自动配置架构和超参数进行模型搜索，实现了对复杂搜索空间的高效探索，并展示了随机搜索、蒙特卡罗树搜索和顺序模型优化等多种模型搜索算法在 CIFAR-10 数据集上的比较试验结果。

Apr, 2017

学习优化

本篇论文探讨了通过强化学习的方法生成优化算法，该方法可自动发现更好的算法，并通过指导策略搜索学习出的优化算法在收敛速度和 / 或最终目标值方面优于手工设计的现有算法。

Jun, 2016

适应性棋局环境中的强化学习用于检测人类可理解概念

本研究展示了一种探测自学习算法在训练过程中内部概念的方法，以国际象棋游戏代理为例进行了演示，此方法适用于没有大量计算资源或机器学习模型的研究团体。

Nov, 2022

通用智能需要重新思考探索

通过将探索驱动的学习概念性地统一监督学习和强化学习之间的探索驱动学习，我们提出了广义探索问题，以突出不同学习设置之间的关键相似之处和开放研究挑战，广义探索是用于维护开放式学习过程的必要目标。

Nov, 2022

使用深度强化学习组合无关任务的策略

本文介绍了一种基于深度强化学习的技能转移和组合方法，该方法将智能体的原始策略应用到解决未知任务中，并可在高数据效率下解决需要任务规划和动作控制的挑战性环境。

May, 2019

通过网络转换实现高效架构搜索

本文提出了一种基于深度神经网络的自动化设计架构的新框架，该框架使用强化学习代理作为元控制器，通过功能保持变换在当前网络的基础上，尝试增加网络深度或层宽。在 CIFAR-10 和 SVHN 基准数据集上的测试表明，该方法在受限的计算资源下可以设计出具有高竞争力的网络，并在不使用跨层连接的条件下实现了 4.23％的测试误差率。

Jul, 2017