生而学习：演化可塑人工神经网络的灵感、进展与未来
神经与进化计算
2018-08-09 v3 人工智能
摘要
生物可塑神经网络是由演化、发育和终生学习塑造的具有非凡计算能力的系统。这些要素的相互作用导致了自适应行为与智能的出现。受此类复杂自然现象的启发，演化可塑人工神经网络（EPANNs）利用 in-silico 模拟演化来培育具有多种多样的动力学、架构和可塑性规则的可塑神经网络：这些人造系统由输入、输出以及随环境中经验而变化的塑性组件构成。这些系统可自主发现新颖的自适应算法，并引出关于生物适应性涌现的假设。在过去二十年中，EPANNs 取得了显著进展。当前人工神经网络在科学技术上的进步正在为彻底全新的方法与结果创造条件。特别是，手工设计网络的局限性可被更灵活创新的解决方案克服。本文汇集了界定 EPANNs 领域的多种启发性思想。我们回顾了主要方法与结果。最后，提出了新的机遇与发展。
引用
@article{arxiv.1703.10371,
title = {Born to Learn: the Inspiration, Progress, and Future of Evolved Plastic Artificial Neural Networks},
author = {Andrea Soltoggio and Kenneth O. Stanley and Sebastian Risi},
journal= {arXiv preprint arXiv:1703.10371},
year = {2018}
}