BR-NS：一种无存档的新颖性搜索方法
人工智能
2021-04-09 v1 机器学习
神经与进化计算
摘要
随着基于新颖性搜索（Novelty Search, NS）等发散式搜索算法的开放式学习日益受到研究界的关注，自然地可以预期，其向日益复杂的现实世界问题的应用将需要在更高维的行为空间中进行探索，而这些空间未必是欧几里得的。新颖性搜索传统上依赖于 k 近邻搜索和先前访问过的行为描述符的存档，这些行为描述符被假定存在于欧几里得空间中。这会带来若干问题。一方面，众所周知，欧几里得距离和最近邻搜索在高维空间中表现不同且变得意义不大。另一方面，存档必须有界，因为撇开内存因素不谈，在该存档中查找最近邻的计算复杂度随其规模呈线性对数增长。次优的边界可能导致行为空间中的“循环”，从而阻碍探索的进展。此外，NS 的性能取决于若干算法选择和超参数，例如向存档添加或移除元素的策略以及 k-nn 搜索中使用的邻居数量。在本文中，我们讨论了一种称为基于行为识别的新颖性搜索（Behavior Recognition based Novelty Search, BR-NS）的新颖性估计替代方法，它不需要存档，不对行为空间中可定义的度量做任何假设，也不依赖最近邻搜索。我们进行了实验，以深入了解其可行性和动态特性，以及在时间复杂度方面相对于基于存档的 NS 的潜在优势。
引用
@article{arxiv.2104.03936,
title = {BR-NS: an Archive-less Approach to Novelty Search},
author = {Achkan Salehi and Alexandre Coninx and Stephane Doncieux},
journal= {arXiv preprint arXiv:2104.03936},
year = {2021}
}
备注
Author version of the paper accepted at GECCO 21