NEAT: אבולוציה נוירונית של טופולוגיות משתפרות
NEAT הוא אלגוריתם גנטי לפיתוח רשתות נוירוניות מלאכותיות שהוצג על ידי קנת סטנלי וריסטו מיקולאינן בשנת 2002. בניגוד לשיטות המפתחות משקלים בלבד, NEAT מפתח בו-זמנית גם את הטופולוגיה (המבנה) וגם את משקלי החיבור של רשתות נוירוניות. הוא משיג זאת באמצעות קידוד גנומי ישיר עם סימונים היסטוריים המאפשרים הצלבה (crossover) משמעותית בין רשתות בעלות מבנים שונים, מה שהופך אותו ליישומי בלמידת חיזוק, משחקים ומשימות בקרה ללא צורך בארכיטקטורה מוגדרת מראש.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/he/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.
- אסטרטגיית אבולוציה (CMA-ES)אופטימיזציה↔ compare
- אלגוריתם גנטיאופטימיזציה↔ compare
- חיפוש ארכיטקטורות נוירוניותלמידה עמוקה↔ compare