- 深度神经进化在脑转移疾病的病情进程评估中的直接应用
本研究通过深度神经进化 (DNE) 技术，实现对转移性脑疾病进行智能分类，旨在为肿瘤的进展或缩小提供全面且自动化的评估方式。研究结果表明，该方法在小型训练集下取得了较高精度。
- 突现演化课程中的转移动力学
PINSKY 是一种基于神经进化的系统，用于在基于游戏的域中进行开放式学习。它通过 POET 系统在 GVGAI 系统中探索学习和环境生成，可以共同进化关卡和神经网络策略，发现通过优化无法创建成功策略的关卡，并分析转移政策的作用和影响。
- 通过大规模并行加速质量多样性
本文介绍了 QDax 算法，该算法通过使用大规模的加速器并行特性优化 Quality-Diversity (QD) 算法，使得 QD 算法可以在交互式时间尺度下扩展，能够大规模地加速解决方案生成过程，并通过对四种不同环境的测试分析表明，实验 - 利用分布比率估算器来优化具有质量和多样性的学习智能体
本文介绍了一种基于 Kernals 和 $f$-divergence 的 Quality-Diversity 方法，可以用于神经进化和强化学习等领域，在同时获得高任务回报和行为多样性的优化代理的过程中有效地估计各个策略之间的状态分布系数并求 - 自我解释智能体的神经进化
本文使用自我注意力瓶颈的人工智能智能体来研究看到事物的方法，该智能体通过选择性注意力获取只关注任务关键的视觉信息，解决了低参数化和在存在干扰时泛化能力不强的问题，可适用于视觉增强学习任务.
- COEGAN: 评估生成对抗网络中的共进化效应
COEGAN 使用神经进化和协同进化策略来自动设计神经网络架构，以实现更稳定的 GAN 培训方法。在 Fashion-MNIST 和 MNIST 数据集上的实验表明，COEGAN 能够发现高效的架构，并且避免了常见的模式坍塌问题。
- 生成对抗网络的共同进化
本研究提出 COEGAN 模型，将神经进化和协同进化技术应用于 GAN 训练中，提高了训练的稳定性和 GAN 网络结构的自动发现，解决了部分模式崩溃问题。
- 光子神经网络的高效训练和设计通过神经进化算法实现
本文提出了一种使用神经进化学习策略来设计和训练光学神经网络（ONNs）的新方法。通过使用两种典型的神经进化算法来确定 ONNs 的超参数并优化连接中的权重（相移器），本研究证明了该训练算法是有效的，且在对虹膜植物数据集，葡萄酒识别数据集和调 - ICML协作进化强化学习
本研究介绍了一种名为 CERL 的可扩展框架，其中包含一组策略，这些策略同时探索和利用解决方案空间的不同区域，并使用神经进化将这个过程绑定在一起，从而生成一个超越任何个体学习器的单个新兴学习器。实验表明，这个新兴学习器在连续控制基准测试中优 - 深度神经进化：遗传算法是训练深度神经网络进行强化学习的竞争性替代方案
我们证明了遗传算法可以在深度人工神经网络上实现良好的性能表现，即使没有梯度信息支持，我们使用深度遗传算法结合新颖搜索技巧在具有挑战性的深度强化学习问题上获得了成功，并且速度比其他算法更快，能够实现高效编码。
- 通过输出梯度为深度和递归神经网络提供安全突变
该论文提出了一种通过引入安全变异算子来增加深度神经网络的进化能力的方法，这种方法基于梯度的变异算子可以在高维度问题中发现解决方案，该算子不需要额外的环境交互，这扩展了神经进化的适用域。
- 自编码增强的神经进化在视觉 Doom 游戏中的应用
通过训练自编码器来创造低维度的环境表征，并使用 CMA-ES 来训练神经网络控制器，从而解决神经进化在高维度控制器表示上的缩放问题，在基于 FPS Doom 的 VizDoom 环境中进行健康包采集任务，性能良好。
- 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 - 使用神经进化技术在 CDF 探测器上选择二轻子事件测量顶夸克质量
本文报告了利用神经进化直接优化统计精度探测顶夸克质量的方法，通过将基础元素和探测器能力函数进行卷积计算的方式，使用 CDF II 探测器在 2.0 fb^-1 的 p pbar 撞击实验中提取的 344 个候选事件的联合概率密度得出了顶夸克