Neural and Evolutionary Computing
PulseAugur coverage of Neural and Evolutionary Computing — every cluster mentioning Neural and Evolutionary Computing across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
研究探讨人工生态系统中继承式学习的收益
一篇新研究论文探讨了人工种群中继承式学习的概念，研究了控制和更新分配如何影响集体收益。该研究在一个资源有限的人工生态系统中进行，发现保留随机更新的状态结构会显著缩小明显的继承优势。然而，条件性的建立速度优势仍然存在，这表明后代减少重新学习有助于整体优势。研究还强调了更新分配策略（如事件配额和通用时间截止）如何改变绩效排名和实际更新量，为评估人工种群中的继承式学习提供了一个框架。
-
研究论文质疑进化算法中的记忆保留
一篇题为“冗余表示如何保持记忆？谱系隔离而非掩码”的新研究论文探讨了基于记忆的进化算法在动态优化中的有效性。研究表明，由于实现细节，认为基因型受保护副本会累积过去最优值信息的普遍假设常常是错误的。研究确定，遗传规则而非门控规则是决定受保护副本是否保留信息的主要因素，独立的遗传会破坏记忆效应。
-
LLM框架SHA-PF优化工程设计构建以实现高效搜索
研究人员开发了一种名为SHA-PF的新框架，该框架使用大语言模型（LLMs）来构建工程设计问题。与以往仅关注将构建与设计意图对齐的方法不同，SHA-PF优先考虑能够带来更高效搜索过程的构建。该框架利用搜索硬度作为指导目标，识别能够引导求解器找到具有更高进展潜力的稀有样本的构建。在天线设计基准测试上的实验表明，与现有方法相比，SHA-PF生成的构建显著减少了满足设计要求所需的评估次数。
-
强化学习模型需要考虑生物变异性
一篇新论文提出，在将强化学习（RL）应用于生物学研究方面需要进行重大转变。虽然 RL 在解释生物行为方面卓有成效，但它通常只模拟平均或最优行为，未能解释生物种群个体之间观察到的自然变异性。该论文认为，为了更好地模拟生物系统，RL 方法需要纳入产生行为多样性的机制，超越当前的实践。
-
新研究探讨人工智能导航中的社会空间依赖性
研究人员通过考察群体行为中的社会空间依赖性，开发了一种理解视觉导航的新方法。他们的研究训练了个体神经网络代理在各种社会背景下进行导航，展示了社会依赖性和任务表现如何影响导航策略。研究结果表明，高质量的社会信息可以促使从个体导航向跟随行为和避碰的转变，挑战了仅关注个体行为的观点，并提倡采用自下而上的方法来理解生物行为。
-
综述论文详述生物学上可行的神经系统模型
一篇新发表在arXiv上的综述论文详细介绍了对生物学上可行的神经系统进行数学建模的各种方法。该论文根据模型共有的特征和特定应用对其进行分类和表征。它考察了脉冲模型以及离散和连续的模拟模型，以准确模拟膜电位动力学等生物过程。所选模型的审查依据是它们广泛的应用以及旨在提高信息相关性的新颖视角。
-
新方法生成受生物发育启发的稀疏循环网络
研究人员开发了一种从生物发育中汲取灵感来生成稀疏循环神经网络的方法。他们利用超网络创建了一个压缩的生成过程，该过程产生了模块化水库的连接性。这种方法结合了基于课程的元学习和模块化水库计算，能够以最少的训练高效且稳健地解决复杂的时间任务。