NEAT: Evolució Neuronal de Topologies Augmentades
NEAT és un algorisme genètic per a l'evolució de xarxes neuronals artificials introduït per Kenneth Stanley i Risto Miikkulainen el 2002. A diferència dels mètodes que només fan evolucionar els pesos, NEAT fa evolucionar simultàniament tant la topologia (estructura) com els pesos de connexió de les xarxes neuronals. Ho aconsegueix mitjançant una codificació genòmica directa amb marcatges històrics que permeten un creuament significatiu entre xarxes de diferents estructures, fent-lo aplicable a tasques d'aprenentatge per reforç, joc i control sense requerir una arquitectura predefinida.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/ca/deep-learning/neat
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Estratègia Evolutiva (CMA-ES)Optimització↔ compare
- Algorisme genèticOptimització↔ compare
- Cerca d'Arquitectures NeuronalsAprenentatge profund↔ compare
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →