面向开放式学习的增强型拓扑智能体
人工智能
2023-10-12 v2 神经与进化计算
摘要
在这项工作中，我们通过引入一种同时演化智能体和日益困难环境的方法，来解决开放式学习问题。与以往使用固定神经网络拓扑优化智能体的开放式方法不同，我们假设通过允许智能体控制器在遭遇更困难环境时变得更复杂，可以改善泛化能力。我们的方法 Augmentative Topology EPOET (ATEP) 扩展了 Enhanced Paired Open-Ended Trailblazer (EPOET) 算法，允许智能体随时间演化自身的神经网络结构，按需增加复杂度和容量。实证结果表明，ATEP 产生的通用智能体能够解决比固定拓扑基线更多的环境。我们还研究了智能体在环境间迁移的机制，发现基于物种的方法进一步提升了智能体的性能和泛化能力。
引用
@article{arxiv.2210.11442,
title = {Augmentative Topology Agents For Open-Ended Learning},
author = {Muhammad Umair Nasir and Michael Beukman and Steven James and Christopher Wesley Cleghorn},
journal= {arXiv preprint arXiv:2210.11442},
year = {2023}
}
备注
Accepted to The Proceedings of Genetic and Evolutionary Computation Conference (GECCO) 2023