TL;DR
- چکیده:.
- رویکردهای توسعهای برای جستجوی معماری عصبی،.
- شبکههای کاربردی را از ژنومهای فشرده از طریق خود دهی رشد میدهند،.
چه اتفاقی افتاد
چکیده:. رویکردهای توسعهای برای جستجوی معماری عصبی،.
شبکههای کاربردی را از ژنومهای فشرده از طریق خود دهی رشد میدهند،. اما شبکههای حاصل با وزنهای ثابت پس از رشد عمل میکنند.
ما انعطاف پذیری هبی و ضد هبی را در 50000 کنترل کننده مکرر رشد یافته مورفوژنتیکی (پیکربندیهای. +5M در CartPole و Acrobot) مشخص میکنیم،.
سپس آزمایش میکنیم که آیا آزمایشهای تکاملی مشترک - که در آن پارامترهای پلاستیسیته در ژنوم. کدگذاری شده و در کنار معماری تکاملی تکامل یافته اند - این الگوها را بهطور مستقل بازیابی می.
کنند. خصوصیات ما نشان میدهد که (1) انعطاف پذیری ضد هبی بهطور قابل توجهی بهتر از هبیان برای.
شبکههای توانمند است (d کوهن 0. 53-0.
64)،. (2) پشیمانی (کسری از بهبود اوراکل از دست رفته در بهترین تنظیمات ثابت) به 52-100 ٪ میرسد.
و (3) تغییر نقش انعطاف پذیری از انطباق به genu- finetu. تحت غیر ایستایی Co-evolution بهطور مستقل این الگوها را کشف میکند:.
در CartPole،. 70 ٪ از اجراها دارای انعطاف پذیری ضد هبی هستند (0.
043 = p). در Acrobot،.
evolution نزدیک به صفر eta را با علائم مختلط پیدا میکند - دقیقاً مطابق با خصوصیات. یک کنترل تصادفی RNN نشان میدهد که تسلط ضد هبی برای شبکههای کوچک تکرارشونده عمومیاست،.
اما درجه وابستگی به توپولوژی به توسعه خاص بستگی دارد:. پشیمانی برای شبکههای رشد یافته مورفوژنتیکی 2-6 برابر بیشتر از نمودارهای تصادفی با آمار توپولوژی منطبق است.
صفحه، 6 شکل رباتیک (cs. RO) استناد بهعنوان: (یا v1 [cs.
RO] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Sergii Medvid [مشاهده ایمیل] [v1] جمعه،. 3 آوریل 2026،.
18:. 35:.
13 UTC (112 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.