Как невроеволюцията на увеличаващите се топологии допринася за генетичното машинно обучение?

Q:

Как NeuroEvolution на увеличаващите се топологии (NEAT) допринася за генетично машинно обучение?

NeuroEvolution of Augmenting Topologies (NEAT) допринася за генетично машинно обучение, като предоставя авангарден иновативен модел, основан на принципите на генетичните алгоритми, които помагат за оптимизиране на мрежите както според теглата, така и по структурите на мрежата.

Като цяло генетичните алгоритми са модели на изкуствен интелект и машинно обучение, които по някакъв начин се основават на принципа на естествения подбор - модели, които работят чрез итеративна обработка на този принцип за подбор на най-добрия резултат за дадена потребност. Те са част от по-широка категория „еволюционни алгоритми“ в това, което професионалистите нарекоха „еволюционистичната школа“ на машинното обучение - такава, която е силно структурирана около биологичните еволюционни принципи.

Мрежата NeuroEvolution of Augmenting Topologies е топология и развиваща се в тежест изкуствена невронна мрежа (TWEAN) - тя оптимизира както мрежовата топология, така и претеглените входове на мрежата - последващите версии и функции на NEAT са помогнали за адаптирането на този общ принцип към специфични приложения, включително създаване на съдържание за видеоигри и планиране на роботизирани системи.

С инструменти като NeuroEvolution of Augmenting Topologies, изкуствените невронни мрежи и подобни технологии могат да включват по едни и същи начини, по които биологичният живот се е развил на планетата - обаче, технологиите обикновено могат да се развиват много бързо и по много сложни начини.

Ресурси като групата на NeuroEvolution of Augmenting Topologies, софтуерни въпроси за често задавани въпроси и други елементи могат да помогнат за изграждането на по-пълно разбиране за това как NEAT работи и какво означава в контекста на еволюционното машинно обучение. По същество, чрез оптимизиране на структурата на мрежата и промяна на входящите тегла, NEAT може да доближи хората, работещи с машинни системи за обучение, до елиминирането на голяма част от човешкия труд, участващ в настройката. Традиционно, с прости преносими невронни мрежи и други ранни модели, структурирането и настройката на претеглените входове разчитат на обучението на човека. Сега той е автоматизиран с тези системи до голяма степен.