NEAT: Evolusi Neuro dari Topologi Augmentasi
NEAT adalah algoritma genetik untuk mengembangkan jaringan saraf tiruan yang diperkenalkan oleh Kenneth Stanley dan Risto Miikkulainen pada tahun 2002. Berbeda dengan metode yang hanya mengembangkan bobot, NEAT secara bersamaan mengembangkan topologi (struktur) dan bobot koneksi jaringan saraf. Hal ini dicapai melalui pengkodean genom langsung dengan penanda historis yang memungkinkan persilangan yang bermakna antara jaringan dengan struktur yang berbeda, membuatnya dapat diterapkan pada pembelajaran penguatan, permainan, dan tugas kontrol tanpa memerlukan arsitektur yang telah ditentukan sebelumnya.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/id/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.
- Strategi Evolusi (CMA-ES)Optimasi↔ compare
- Algoritma GenetikOptimasi↔ compare
- Pencarian Arsitektur NeuralPembelajaran Mendalam↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →