NEAT: Topoloģijas paplašinošā neiroevolūcija
NEAT ir ģenētisks algoritms mākslīgo neironu tīklu attīstīšanai, ko 2002. gadā ieviesa Kenets Stenlijs (Kenneth Stanley) un Risto Mīkulainens (Risto Miikkulainen). Atšķirībā no metodēm, kas attīsta tikai svarus, NEAT vienlaikus attīsta gan neironu tīklu topoloģiju (struktūru), gan savienojumu svarus. Tas tiek panākts, izmantojot tiešu genoma kodējumu ar vēsturiskām atzīmēm, kas nodrošina jēgpilnu krustošanu starp dažādu struktūru tīkliem, padarot to piemērojamu pastiprinājuma mācīšanās, spēļu spēlēšanas un kontroles uzdevumiem, neprasot iepriekš definētu arhitektūru.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/lv/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.
- Evolucionārā stratēģija (CMA-ES)Optimizācija↔ compare
- Ģenētiskais algoritmsOptimizācija↔ compare
- Neirālā arhitektūras meklēšanaDziļā mācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →