NEAT: Νευροεξέλιξη Αυξανόμενων Τοπολογιών
Το NEAT (NeuroEvolution of Augmenting Topologies) είναι ένας γενετικός αλγόριθμος για την εξέλιξη τεχνητών νευρωνικών δικτύων που εισήχθη από τους Kenneth Stanley και Risto Miikkulainen το 2002. Σε αντίθεση με μεθόδους που εξελίσσουν μόνο τα βάρη, το NEAT εξελίσσει ταυτόχρονα τόσο την τοπολογία (δομή) όσο και τα βάρη συνδέσεων των νευρωνικών δικτύων. Αυτό επιτυγχάνεται μέσω άμεσης κωδικοποίησης γονιδιώματος με ιστορικές σημάνσεις που επιτρέπουν ουσιαστική διασταύρωση μεταξύ δικτύων διαφορετικών δομών, καθιστώντας το εφαρμόσιμο σε προβλήματα ενισχυτικής μάθησης, παιχνιδιών και ελέγχου χωρίς να απαιτείται προκαθορισμένη αρχιτεκτονική.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/el/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.
- Στρατηγική Εξέλιξης (CMA-ES)Βελτιστοποίηση↔ compare
- Γενετικός ΑλγόριθμοςΒελτιστοποίηση↔ compare
- Αναζήτηση Νευρωνικής ΑρχιτεκτονικήςΒαθιά Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →