Neuroevolution (original) (raw)
Neuroevolution または Neuro-evolution は人工ニューラルネットワークの学習に遺伝的アルゴリズムを用いる機械学習の手法である。ネットワークの性能を測るのが容易であるが、教師あり学習を用いて正しい入力と出力の対の概要を作るのが困難または不可能であるゲームやロボットのモーター制御するようなアプリケーションに有効である。ニューラルネットワークの学習の分類体系では強化学習に属する。
| Property | Value |
|---|---|
| dbo:abstract | Neuroevolution, or neuro-evolution, is a form of artificial intelligence that uses evolutionary algorithms to generate artificial neural networks (ANN), parameters, and rules. It is most commonly applied in artificial life, general game playing and evolutionary robotics. The main benefit is that neuroevolution can be applied more widely than supervised learning algorithms, which require a syllabus of correct input-output pairs. In contrast, neuroevolution requires only a measure of a network's performance at a task. For example, the outcome of a game (i.e. whether one player won or lost) can be easily measured without providing labeled examples of desired strategies. Neuroevolution is commonly used as part of the reinforcement learning paradigm, and it can be contrasted with conventional deep learning techniques that use gradient descent on a neural network with a fixed topology. (en) Neuroevolution または Neuro-evolution は人工ニューラルネットワークの学習に遺伝的アルゴリズムを用いる機械学習の手法である。ネットワークの性能を測るのが容易であるが、教師あり学習を用いて正しい入力と出力の対の概要を作るのが困難または不可能であるゲームやロボットのモーター制御するようなアプリケーションに有効である。ニューラルネットワークの学習の分類体系では強化学習に属する。 (ja) La neuroevoluzione è una forma di machine learning e denota l'uso degli algoritmi genetici, o di altri metodi e tecniche evolutive, nella messa a punto delle reti neurali artificiali, per quanto riguarda sia l'architettura della rete (cioè la sua struttura intesa come numero di nodi e numero di connessioni tra i nodi stessi), sia i parametri relativi (ossia i pesi delle connessioni tra i nodi). Un metodo neuroevolutivo degno di nota è quello proposto nel 2002 da , denominato NEAT (NeuroEvolution of Augmenting Topologies), e basato su un processo di graduale incremento della complessità strutturale delle reti che si propongono di risolvere un problema assegnato (tipicamente un problema di reinforcement learning). A partire da reti estremamente semplici, in quanto completamente prive di neuroni intermedi, la procedura in questione sembra avere maggiori possibilità di determinare soluzioni efficaci e robuste rispetto a metodi analoghi, che però partono da topologie predeterminate o comunque casuali. I tre princìpi fondamentali su cui si basa il NEAT sono i seguenti: 1. * il primo principio è l'omologia: il NEAT codifica ciascun nodo e ciascuna connessione della rete attraverso un gene. Ogni volta che una mutazione strutturale sfocia nella creazione di un nuovo gene, quel gene riceve un contrassegno numerico che lo rende permanentemente rintracciabile. Tale marcatura storica è utilizzata in seguito per verificare la conciliabilità di geni omologhi durante l'operazione di crossover, e per definire un operatore di compatibilità; 2. * il secondo principio è la protezione dell'innovazione. L'operatore di compatibilità definito in precedenza è adoperato per dividere la popolazione, composta da reti neurali, in specie differenti, allo scopo di proteggere le soluzioni innovative da un'eliminazione prematura, e di prevenire l'incrocio di materiale genetico incompatibile. Tali innovazioni strutturali presentano una significativa possibilità di raggiungere il loro pieno potenziale, in quanto protette dal resto della popolazione attraverso la suddivisione in specie, cioè la creazione di nicchie o spazi riservati; 3. * da ultimo, il principio secondo cui la ricerca di una soluzione dovrebbe avvenire nel più piccolo spazio possibile (inteso come numero di dimensioni), da espandere poi in maniera graduale. Cominciando il processo evolutivo da una popolazione di elementi a struttura minima, le successive mutazioni topologiche comportano l'aggiunta di nuovi nodi e connessioni alle reti, conducendo pertanto ad una crescita incrementale della popolazione stessa. Dal momento che solo le modifiche strutturali vantaggiose tendono a sopravvivere nel lungo termine, le topologie che vengono raffinate tendono ad essere le minime necessarie alla soluzione del problema assegnato. (it) Нейроеволю́ція — форма машинного навчання, яка використовує еволюційні алгоритми для тренування нейронних мереж. Цей підхід використовується наприклад в таких галузях як ігри і керування приводами роботів. У цих випадках досить просто вимірювати продуктивність нейромережі, у той час, як реалізувати навчання з учителем дуже важко або практично неможливо. Цей метод навчання відноситься до категорії методів навчання з підкріпленням. (uk) Нейроэволюция — форма машинного обучения, которая использует эволюционные алгоритмы для тренировки нейросети. Этот подход используется в таких отраслях как игры и управление приводами роботов. В этих случаях достаточно просто измерить производительность нейросети, в то время как реализовать обучение с учителем очень тяжело или практически невозможно. Этот метод обучения относится к категории методов обучения с подкреплением. (ru) |
| dbo:wikiPageExternalLink | http://nerd.x-bot.org/ http://www.siebel-research.de/evolutionary_learning/%7Ctitle=Nils http://beacon-center.org/blog/2012/08/13/evolution-101-neuroevolution/%7Ctitle=Evolution http://eplex.cs.ucf.edu/ESHyperNEAT%7Ctitle=ES-HyperNEAT http://nn.cs.utexas.edu/keyword%3Fneuroevolution%7Ctitle=NNRG http://sharpneat.sourceforge.net/%7Ctitle=SharpNEAT http://ANNEvolve.sourceforge.net https://github.com/CorticalComputer%7Ctitle=CorticalComputer https://github.com/Hintzelab/MABE https://github.com/zweifel/Physis-Shard |
| dbo:wikiPageID | 440706 (xsd:integer) |
| dbo:wikiPageLength | 20518 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1100397527 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Memetic_algorithm dbr:Uber dbr:Deep_learning dbr:General_game_playing dbr:Genetic_programming dbr:Genome dbr:Genotype dbr:Open_Source dbr:Genetic_algorithm dbr:Gradient_descent dbr:Noogenesis dbr:Simulated_annealing dbr:Compositional_pattern-producing_network dbr:Embryology dbr:Backpropagation dbr:Domain_knowledge dbr:Reinforcement_learning dbr:Atavism dbr:HyperNEAT dbr:Hypercube dbr:Artificial_intelligence dbr:Artificial_life dbr:Artificial_neural_network dbc:Artificial_neural_networks dbr:Artificial_development dbc:Evolutionary_algorithms dbr:Automated_machine_learning dbr:Phenotype dbr:Evolutionary_Acquisition_of_Neural_Topologies dbr:Algorithms dbr:Computational_Steering dbr:Science_(magazine) dbr:Evolution_strategy dbr:Evolutionary_algorithm dbr:Evolutionary_computation dbr:Evolutionary_programming dbr:Evolutionary_robotics dbr:Fitness_function dbr:S-expressions dbr:Supervised_learning dbr:NeuroEvolution_of_Augmenting_Topologies dbr:Markov_network dbr:Evolution_strategies dbr:Chromosome_Spectrum dbr:Deus_Ex_Neural_Network dbr:ES-HyperNEAT dbr:Interactively_Constrained_Neuro-Evolution dbr:Modular_Agent-Based_Evolver dbr:Novelty_Map_Population dbr:Preference_Articulation dbr:Spectrum-diverse_Unified_Neuroevolution_Architecture dbr:Spectrum-diversity dbr:Unified_Neural_Representation |
| dbp:wikiPageUsesTemplate | dbt:Neuroscience dbt:! dbt:Cite_web dbt:Distinguish dbt:Reflist dbt:Short_description |
| dct:subject | dbc:Artificial_neural_networks dbc:Evolutionary_algorithms |
| gold:hypernym | dbr:Form |
| rdf:type | owl:Thing yago:Abstraction100002137 yago:Act100030358 yago:Activity100407535 yago:Algorithm105847438 yago:Event100029378 yago:Procedure101023820 yago:PsychologicalFeature100023100 yago:YagoPermanentlyLocatedEntity yago:Rule105846932 yago:WikicatEvolutionaryAlgorithms |
| rdfs:comment | Neuroevolution または Neuro-evolution は人工ニューラルネットワークの学習に遺伝的アルゴリズムを用いる機械学習の手法である。ネットワークの性能を測るのが容易であるが、教師あり学習を用いて正しい入力と出力の対の概要を作るのが困難または不可能であるゲームやロボットのモーター制御するようなアプリケーションに有効である。ニューラルネットワークの学習の分類体系では強化学習に属する。 (ja) Нейроеволю́ція — форма машинного навчання, яка використовує еволюційні алгоритми для тренування нейронних мереж. Цей підхід використовується наприклад в таких галузях як ігри і керування приводами роботів. У цих випадках досить просто вимірювати продуктивність нейромережі, у той час, як реалізувати навчання з учителем дуже важко або практично неможливо. Цей метод навчання відноситься до категорії методів навчання з підкріпленням. (uk) Нейроэволюция — форма машинного обучения, которая использует эволюционные алгоритмы для тренировки нейросети. Этот подход используется в таких отраслях как игры и управление приводами роботов. В этих случаях достаточно просто измерить производительность нейросети, в то время как реализовать обучение с учителем очень тяжело или практически невозможно. Этот метод обучения относится к категории методов обучения с подкреплением. (ru) Neuroevolution, or neuro-evolution, is a form of artificial intelligence that uses evolutionary algorithms to generate artificial neural networks (ANN), parameters, and rules. It is most commonly applied in artificial life, general game playing and evolutionary robotics. The main benefit is that neuroevolution can be applied more widely than supervised learning algorithms, which require a syllabus of correct input-output pairs. In contrast, neuroevolution requires only a measure of a network's performance at a task. For example, the outcome of a game (i.e. whether one player won or lost) can be easily measured without providing labeled examples of desired strategies. Neuroevolution is commonly used as part of the reinforcement learning paradigm, and it can be contrasted with conventional d (en) La neuroevoluzione è una forma di machine learning e denota l'uso degli algoritmi genetici, o di altri metodi e tecniche evolutive, nella messa a punto delle reti neurali artificiali, per quanto riguarda sia l'architettura della rete (cioè la sua struttura intesa come numero di nodi e numero di connessioni tra i nodi stessi), sia i parametri relativi (ossia i pesi delle connessioni tra i nodi). Un metodo neuroevolutivo degno di nota è quello proposto nel 2002 da , denominato NEAT (NeuroEvolution of Augmenting Topologies), e basato su un processo di graduale incremento della complessità strutturale delle reti che si propongono di risolvere un problema assegnato (tipicamente un problema di reinforcement learning). A partire da reti estremamente semplici, in quanto completamente prive di neur (it) |
| rdfs:label | Neuroevoluzione (it) Neuroevolution (en) Neuroevolution (ja) Нейроэволюция (ru) Нейроеволюція (uk) |
| owl:differentFrom | dbr:Neural_development dbr:Neural_Darwinism dbr:Evolution_of_nervous_systems |
| owl:sameAs | freebase:Neuroevolution yago-res:Neuroevolution wikidata:Neuroevolution dbpedia-fa:Neuroevolution dbpedia-it:Neuroevolution dbpedia-ja:Neuroevolution dbpedia-ru:Neuroevolution dbpedia-sk:Neuroevolution dbpedia-uk:Neuroevolution https://global.dbpedia.org/id/y7eN |
| prov:wasDerivedFrom | wikipedia-en:Neuroevolution?oldid=1100397527&ns=0 |
| foaf:homepage | http://beacon-center.org |
| foaf:isPrimaryTopicOf | wikipedia-en:Neuroevolution |
| is dbo:academicDiscipline of | dbr:Kenneth_Stanley |
| is dbo:wikiPageRedirects of | dbr:Evolutionary_neural_network |
| is dbo:wikiPageWikiLink of | dbr:List_of_genetic_algorithm_applications dbr:Bio-inspired_computing dbr:Uber dbr:Compositional_pattern-producing_network dbr:Computational_creativity dbr:Computer_game_bot_Turing_test dbr:Machine_learning_in_video_games dbr:Dispersive_flies_optimisation dbr:Evolutionary_neural_network dbr:Kenneth_Stanley dbr:Artificial_life dbr:Artificial_neural_network dbr:Blondie24 dbr:Automated_machine_learning dbr:Self-modifying_code dbr:Long_short-term_memory dbr:Neuroevolution_of_augmenting_topologies dbr:Evolutionary_acquisition_of_neural_topologies dbr:Evolutionary_algorithm dbr:Evolutionary_computation dbr:Outline_of_artificial_intelligence dbr:Outline_of_machine_learning dbr:Outline_of_neuroscience dbr:Types_of_artificial_neural_networks |
| is dbp:fields of | dbr:Kenneth_Stanley |
| is owl:differentFrom of | dbr:Evolution_of_nervous_systems |
| is foaf:primaryTopic of | wikipedia-en:Neuroevolution |