学习与进化:影响有效结合的因素
本文对深度神经进化和深度强化学习领域组合机制的文献进行梳理和总结调查,提供了一个基于现有文献的研究框架,不着重于实验结果,共涵盖了 45 种算法,旨在促进该领域的发展并加深人们对各方法之间关系的理解,从而推进新型机制的发展。
Mar, 2022
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
进化博弈论和人工智能两个领域虽然乍看起来不同,但它们具有显著的联系和交叉点。本文旨在通过交叉思想促进多智能体学习系统的数学进展,特别是在 “集体合作智能” 领域,以连接进化动力学和多智能体强化学习。
Mar, 2024
特征交互选择是商业推荐系统中的一个基本问题。本文提出了一种新颖的 Cognitive EvoLutionary Learning (CELL) 框架,该框架受到自然有机体的进化和功能启发,通过进化选择适应性操作、特征和交互,从而实现对不同任务和数据的自适应演化,显著优于现有基准模型。
May, 2024
通过演化得到的具有可塑性连接和神经调节的神经网络可以在自然的神经组织和可塑性系统的自发操作下,通过刺激和奖励独立地获取新的简单认知任务。
Dec, 2021
本文介绍一种名为 “学习教学” 的方法,它利用两个智能代理相互交互:一个学生模型和一个教师模型。教师模型利用学生模型的反馈来优化自己的教学策略,以达到教师和学生的共同进化,并在各种机器学习任务下通过使用深度神经网络等模型来展示这一方法的实用价值。
May, 2018
通过对自发交流模型的文献综述,我们确定了塑造语言模型的关键压力:交流成功、效率、易学性和其他心理 / 社会语言因素,并认为这可以为语言习得和语言演化研究的语言模型设计提供启示。
Mar, 2024