NEAT: A bővülő topológiák neuroevolúciója
A NEAT (NeuroEvolution of Augmenting Topologies) egy genetikai algoritmus mesterséges neurális hálózatok evolúciójára, amelyet Kenneth Stanley és Risto Miikkulainen vezetett be 2002-ben. Azokkal a módszerekkel ellentétben, amelyek csak a súlyokat evolválják, a NEAT egyszerre evolválja a neurális hálózatok topológiáját (szerkezetét) és a kapcsolati súlyait. Ezt közvetlen genomkódolással éri el, történelmi jelölésekkel, amelyek lehetővé teszik a különböző szerkezetű hálózatok közötti értelmes keresztezést, így alkalmazható megerősítéses tanulási, játék- és vezérlési feladatokra előre definiált architektúra nélkül.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/hu/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.
- Evolúciós Stratégia (CMA-ES)Optimalizálás↔ compare
- Genetikus algoritmusOptimalizálás↔ compare
- Neuronális Architektúra KeresésMélytanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →