Nov, 2023

进化机器学习与游戏

PDF
TL;DR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。
发现论文，激发创造
  • 进化动态优化与机器学习

    这篇论文是关于进化计算、人工智能、进化机器学习、进化动态优化和机器学习之间互相结合的研究，旨在激发进化学习社区的兴趣并在该领域激发创新贡献。

    Oct, 2023

  • 多智能体学习系统的数学：博弈论与人工智能交叉界面

    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

  • evoML 黄皮书：进化人工智能和优化工作室

    evoML 是一个 AI 助力的工具，可以提供机器学习模型开发、优化、以及代码优化的自动化功能，其核心功能包括数据清理、探索式分析、特征分析和生成、模型优化、模型评估、模型代码优化和模型部署，并且将代码和模型优化嵌入模型开发过程。

    Dec, 2022

  • 大语言模型时代的进化计算：调查与路线图

    基于大型语言模型（LLMs）和进化算法（EAs）的优势和互补性，本文提出了一篇综合综述和展望性的论文，将它们的相互启示分为 LLM 增强进化优化和 EA 增强 LLM 两个方面，并介绍了一些整合方法来论证在各种应用场景中 LLMs 与 EAs 的融合。这篇论文是围绕 LLMs 时代的 EA 研究的首个综合综述，为了解和利用 LLMs 与 EAs 之间的协作潜力奠定了基础，并提供了挑战和未来方向的指导。

    Jan, 2024

  • 进化与学习的熔炉

    本文调查了我们团队的八项最近研究成果，探讨了进化算法与机器学习以及深度学习的成功结合，包括分类、黑盒算法生成对抗性实例等领域。

    Jun, 2023

  • 人类对适应性机器的适应趋于博弈论均衡

    本文通过运用机器学习算法与博弈论的框架， 利用多个均衡状态来调节和预测智能人和机器之间的协同适应交互， 并发现某些算法可有效地控制人的行为，从而引导人机交互达到机器的最优状态。

    May, 2023

  • 从零开始进化机器学习算法的 AutoML

    本文旨在通过引入一个新颖的框架，展示 AutoML 可以进一步通过基本数学运算作为构建块自动发现完整的机器学习算法，从而大大减少人类偏见，并通过演化搜索不同类型的任务来适应算法。

    Mar, 2020

  • 游戏中的神经进化：现状和开放挑战

    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。

    Oct, 2014

  • 演化算法实现的集成学习免费方案

    本文介绍了一种基于进化集成学习方法的新型适应度函数及分类器集成选择标准，实验表明离线模式优于单一假设的进化学习和现有的增强学习算法，并生成更小的分类器集成。

    Apr, 2007

  • 使用大型语言模型的算法演进

    利用大型语言模型进行算法进化，能够自动生成优化算法，减少人工专家和领域知识的需求，在解决推销员旅行问题方面表现优异，具有出色的可伸缩性，与先前的利用语言模型作为搜索操作符的尝试大不相同。

    Nov, 2023