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
通过利用大型语言模型的指导进化框架，研究证明了机器学习模型的自主进化和增强设计的潜力。
Mar, 2024
GEVO-ML 是一个工具，用于自动发现 ML 内核的优化机会和性能调优，在多层中间表示（MLIR）中统一表示模型和训练 / 预测过程，使用多目标进化搜索来改进在 GPU 上运行的 MLIR 代码的性能，而保持所需功能。
Oct, 2023
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
通过机器学习指导的定向进化方法，可以更快速地探索突变多个位点编码的序列空间，从而大大提高通过蛋白工程实现梳理蛋白质序列空间的效率和多样性。在以人类 GB1 结合蛋白为例的实验中，机器学习指导的定向进化找到比其他定向进化方法更好的变异体，并成功地创造出合成两种可能的产物对映体的酶，通过两轮进化得到了催化选择性分别为 93％和 79％的变异体。
Feb, 2019
我们用大型语言模型结合进化计算范式提出了一种新的算法进化（AEL）框架，用于自动算法设计，并在旅行商问题中使用 AEL 设计了引导算法。实验证明，AEL 设计的引导算法在相同迭代预算下优于人工设计的引导算法，标志着自动算法设计的新纪元的出现。
Jan, 2024
研究解决学习特定领域语言中表达的可微分函数的问题，通过将神经网络的不同类视为对程序空间的松弛，并在一系列分类任务中实例化遗传算法和分支界限搜索来发现自然解释和有竞争力的程序分类器。
Jul, 2020
本研究探讨了基于多维基因编程的演化计算方法，使用机器学习技术选择性推进程序构建模块，提出了前向逐步杂交操作符，并在回归问题研究中取得了显著的改进和最先进的结果。最后，本文研究了该架构和其他架构在使用启发式搜索期间利用信息的潜力，并从应用程序中解释了数据表示的共线性和复杂性。
Apr, 2019
使用进化策略通过搜索梯度学习参数化程序，为程序归纳提供了一种解决方案，使其可在各种情境下应用。
Feb, 2024
本文提出了一种利用进化算法和多目标实现的新的方式，使用图像分类器引导产生的多样性生成的技术，来改善生成模型无法连接生成输出和期望目标概念 / 偏好的局限性，通过一种通过对生成进化过程规定选择压力和变异性的方式，产生多个更符合用户偏好的图像。
May, 2023