NEAT: Augmenting Topolojilerin NöroEvrimleşmesi
NeuroEvolution of Augmenting Topologies (NEAT) · Ayrıca şöyle bilinir: Neuroevolution of Augmenting Topologies, Topology and Weight Evolving Artificial Neural Networks (variant), Evolving Neural Networks, Topoloji Artırımlı Nöroevrim
NEAT, Kenneth Stanley ve Risto Miikkulainen tarafından 2002'de tanıtılan yapay sinir ağlarını evrimleştirmek için kullanılan genetik bir algoritmadır. Yalnızca ağırlıkları evrimleştiren yöntemlerin aksine, NEAT sinir ağlarının hem topolojisini (yapısını) hem de bağlantı ağırlıklarını eş zamanlı olarak evrimleştirir. Bunu, farklı yapıdaki ağlar arasında anlamlı çaprazlamaya olanak tanıyan tarihsel işaretlere sahip doğrudan bir genom kodlaması aracılığıyla başarır; bu da onu önceden tanımlanmış bir mimari gerektirmeksizin pekiştirmeli öğrenme, oyun oynama ve kontrol görevleri için uygulanabilir kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
NEAT, özellikle pekiştirmeli öğrenme ve sıralı karar verme görevlerinde, optimal ağ mimarisinin önceden bilinmediği ve kendisinin keşfedilmesi gerektiği durumlarda uygundur. Gradyan sinyalleri yerine simülasyon veya bir ortamla etkileşim yoluyla fitnessın değerlendirilebileceğini varsayar. Düşük ila orta boyutlu girdi uzayları için en iyi şekilde çalışır. Alternatifler arasında etiketli verilerin bol olduğu durumlarda geri yayılım ile eğitilen el ile tasarlanmış mimariler veya gradyan tabanlı meta-optimizasyonun mümkün olduğu durumlarda sinir mimarisi arama (NAS) yöntemleri bulunur. Mimari uzayın iyi anlaşıldığı veya GPU-paralel gradyan inişinin çok daha fazla örnek verimliliğine sahip olduğu durumlarda NEAT'ten kaçının.
Güçlü yönler & sınırlılıklar
- Ağ topolojisini ve ağırlıklarını eş zamanlı olarak optimize eder, mimariyi elle belirtme ihtiyacını ortadan kaldırır.
- Tarihsel işaretler, farklı yapıdaki ağlar arasında ilkeli çaprazlamaya olanak tanır; bu, naive nöroevrimleşme yaklaşımlarını bozan bir sorundur.
- Türleşme, yapısal yeniliği, yeni topolojilerin yerleşik olanlarla rekabet etmeden önce olgunlaşmasına izin vererek korur.
- Minimal ağlardan başlar ve yalnızca gerektiğinde karmaşıklığı artırır, tutumlu çözümler üretir.
- Gradyan tabanlı yöntemlere kıyasla örnek verimliliği düşüktür; fitness değerlendirmesi tipik olarak çok sayıda ortam etkileşimi gerektirir.
- Bağlantı sayısı arttıkça olası bağlantı sayısı karesel olarak arttığı için, girdi boyutluluğu arttıkça ölçeklenebilirlik azalır.
- Uyumluluk eşiği, mutasyon oranları, tür durgunluk sınırı gibi hiperparametreler dikkatli ayar gerektirir ve probleme özgüdür.
- Tarihsel işaretler olsa bile, semantik uyumluluk garanti edilmediği için, oldukça farklılaşmış genomlar arasındaki çaprazlama işlevsel olmayan yavrular üretebilir.
SSS
NEAT, çaprazlamada rakip konvansiyonlar sorunundan nasıl kaçınır?
NEAT, her yeni yapısal gene ilk ortaya çıktığında benzersiz bir küresel yenilik numarası atar. Farklı topolojiye sahip iki genomu çaprazlarken, eşleşen yenilik numaralarına sahip genler hizalanır ve değiştirilir, eşleşmeyen genler ise daha uygun ebeveynden miras alınır. Bu, yapısal olarak homolog alt ağların her zaman birlikte çaprazlanmasını sağlayarak, naive topoloji çaprazlamasında yavruları karıştıran rastgele hizasızlığı önler.
NEAT neden rastgele ağlar yerine minimal ağlarla başlar?
Minimal başlamak, karmaşıklaşma ilkesinden yararlanır: basit ağlar kompakt bir alt uzayı hızla keşfeder, ardından yalnızca ek karmaşıklık fitness kazançları sağladığında yapı büyütür. Bu, büyük rastgele bireylerin ilk nesilleri domine ettiği genetik programlamada yaygın olan 'şişkinlik'ten kaçınır. Minimal başlatma, başlangıç genomları yapısal olarak benzer olduğundan ve evrim ilerledikçe yalnızca farklılaştığından, türleşmeyi daha yönetilebilir hale getirir.
Modern bir sinir mimarisi arama yöntemine ne zaman NEAT'i tercih etmeliyim?
Görev geri bildiriminin türevlenemez olduğu veya yalnızca ortam etkileşiminden gelen skaler bir ödül olarak mevcut olduğu ve beklenen optimal ağın kompakt olduğu durumlarda NEAT tercih edilir. Modern NAS yöntemleri genellikle meta-gradyan tahmini için türevlenebilir vekiller veya büyük hesaplama gücü gerektirir. NEAT, düşük boyutlu kontrol benchmark'larında ve siyah kutu simülasyonu veya fiziksel donanım yuvarlamaları gibi gradyan bilgisinin mevcut olmadığı ortamlarda rekabetçi kalır.
Kaynaklar
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/tr/deep-learning/neat
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Kovaryans Matris Adaptasyonu (CMA-ES) - Kovaryans Matris AdaptasyonuOptimizasyon↔ karşılaştır
- Genetik AlgoritmaOptimizasyon↔ karşılaştır
- Sinirsel Mimari AramaDerin öğrenme↔ karşılaştır