- ICLR行为蒸馏
行为压缩是一种旨在将大型数据集压缩为少数合成示例的方法,以用作在训练新模型时可直接替换使用。本文提出行为压缩的概念,并介绍了 HaDES 方法,它可以发现仅需包含四个状态 - 动作对的数据集,通过监督学习训练出在连续控制任务中表现竞争水平的 - 深度神经网络通过对比自监督学习的进化
我们提出了一个使用自监督学习来进化深度神经网络的框架,通过在 CIFAR-10 数据集上的实验结果表明,我们能够在降低对标注数据依赖的同时进化出适当的神经网络结构,并且相比于采用监督学习的个体,通过自监督学习学习到的网络结构对于输入的标注数 - 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(D - 神经进化电子动态网络
利用动态和部分重构能力强大的现代可编程门阵列作为神经进化动态神经网络的强大平台的潜力得到了本研究的实证。
- 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 - AD-NEv++:多架构基于神经演化的多变量异常检测框架
使用 AD-NEv++ 方法,通过优化神经进化过程中的突变算子,并支持广泛的神经层面,包括关注、稠密和图卷积层,我们在广泛采用的多变量异常检测基准数据集上进行了大规模实验评估,结果表明 AD-NEv++ 模型在异常检测中胜过知名的深度学习架 - 单智能体和多智能体私人主动感知:一种深度神经进化方法
本文针对中央化和去中心化的积极假设测试问题,提出了基于神经进化的新框架和解决协作多智能体任务的新方法。在无线传感器网络异常检测示例应用中,通过数值实验验证了所提出的 EAHT 方法相对于传统积极假设测试策略和基于学习的方法的优越性。
- 基于人工蜂群算法优化的深度卷积神经网络在生物医学成像中的应用
提出了一种名为 Chimera Algorithm 的新型混合神经进化算法,用于生成从头开始的模型并优化前期给定的架构,以更好地适应任务,该算法在两个自然图像和医疗图像数据集上验证,并且超过了 Transfer Learning 模型的性能 - 优化人工胰腺设计以改善糖尿病管理
这项研究使用神经进化算法和数据预测方法,通过训练预测未来血糖水平的模型,并找到了优化糖尿病治疗策略的 Pareto 前沿,从而改善了患者的生活质量,并开发了一个语言界面以便更广泛地推广应用。
- 用线性策略网络解决深度强化学习基准
该研究通过神经进化的方式使用演化策略(ES),优化神经网络的权重来进行直接策略搜索,结果表明 ES 能够在许多强化学习基准任务中找到有效的线性策略,相比深度强化学习方法,ES 实现效果与梯度下降算法相当,并且通过直接访问游戏的内存状态,在 - 优化受限环境中的马里奥冒险
该研究提出并比较了一种优化超级马里奥兄弟(SMB)环境的新方法,其中控制分为遗传算法(MarioGA)和神经进化(MarioNE)两种方法,通过学习使用这些技术进行游戏并优化一系列约束,包括收集硬币和完成关卡,从而提供了一种高效完成 SMB - 使用神经进化进行多类别分类的类别二值化
应用 Error-Correcting Output Codes (ECOC) 于神经演化算法 NEAT 的多类别分类研究中,研究比较不同类别二值化策略的性能,并发现 NEAT 与 ECOC 结合的方法在高准确率和强鲁棒性方面具有显著优势。
- AD-NEV: 可扩展的多层次神经进化框架用于多变量异常检测
提出了一种名为 AD-NEv 的可扩展多级优化神经演化框架,用于多变量时间序列异常检测,经实验证明,与深度学习体系结构相比,AD-NEv 提取的模型表现更好,且在多个 GPU 的情况下具有高度可扩展性。
- SPENSER:面向卷积脉冲神经网络的神经进化方法
该论文提出了 SPENSER,一个基于 DENSER 的 SNN 自动设计与参数化的 Neuroevolution 框架,用于在 MNIST 和 Fashion-MNIST 数据集上进行图像分类,可以生成表现出色的网络。
- 质量 - 多样性转换器:使用决策 Transformer 生成行为条件轨迹
该研究提出了一种新的方法来实现基于行为的轨迹生成,该方法基于 MAP-Elites Low-Spread 和 Quality-Diversity Transformer 两个机制,实现了在不确定环境下生成具有一致性、鲁棒性和可重复性的多样化 - 一个自适应神经进化算法用于在不同类型之间构建深度神经网络架构
本篇研究提出了自适应神经进化 (SANE) 方法以自动构建不同任务的轻量 DNN 结构,其中关键的设置是为不同的 DNN 类型定义的细胞和器官的搜索空间。 SANE 能够自适应地调整演化探索和利用以提高搜索效率,并提供了一种大规模且性能出众 - 通过元黑盒优化发现进化策略
该研究采用元学习来探寻对进化策略更有效的更新规则,并通过自我关注机制加以参数化,其结果显示新进化策略推广到未知的优化问题、种群大小和优化目标上表现出良好的性能。研究结果还表明,所学习的进化策略可以在监督学习和连续控制任务中优于传统的神经进化 - ProSky: 基于 NEAT 和 NOMA 的 6G 毫米波技术
本文提出了一种基于神经进化的增强拓扑 NEAT 框架,名为 ProSky,用于管理 NOMA-mmWave-UAV 网络。ProSky 在 SE 和 EE 上表现出 5.3 倍的学习速度和更好的性能,且源代码可在链接中下载。
- 低层次人工通用智能的神经进化
本文提出低层次人工智能学习的假设,介绍了一种学习生物神经网络模型的方法,并成功解决了三个模拟场景的问题,实现了适应性和普适性控制。
- 神经进化方法的对抗鲁棒性评估
本文针对 CIFAR-10 图像分类任务,评估两种著名的神经进化算法(DENSER 和 NSGA-Net)找到的模型的对抗鲁棒性,结果表明,当这些模型遭受迭代攻击时,它们的精度通常会降至或接近零,而 DENSER 模型则对 L2 威胁模型表