NEAT: NeuroEvolution of Augmenting Topologies
NEAT je genetický algoritmus na evolúciu umelých neurónových sietí, ktorý v roku 2002 predstavili Kenneth Stanley a Risto Miikkulainen. Na rozdiel od metód, ktoré vyvíjajú len váhy, NEAT simultánne vyvíja topológiu (štruktúru) aj spojovacie váhy neurónových sietí. Dosahuje to prostredníctvom priameho kódovania genómu s historickými značkami, ktoré umožňujú zmysluplné kríženie medzi sieťami rôznych štruktúr, vďaka čomu je použiteľný pre učenie s posilňovaním, hranie hier a riadiace úlohy bez potreby preddefinovanej architektúry.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/sk/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.
- Evolučná stratégia (CMA-ES)Optimalizácia↔ compare
- Genetický algoritmusOptimalizácia↔ compare
- Neúrové vyhľadávanie architektúryHlboké učenie↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →