NEAT vs Reinforcement Learning

Question

Насколько я знаю, NEAT (нейроэволюция дополняющих топологий) - это алгоритм, который использует концепцию эволюции для обучения нейронной сети. С другой стороны, обучение усилению - это тип машинного обучения с концепцией «награждения» более успешных узлов.

В чем разница между этими двумя полями, поскольку они кажутся очень похожими? Или NEAT происходит из обучения подкрепления?

Answer 1

Короче говоря, они имеют почти ничего общего.

NEAT is эволюционный метод. Это подход черного цвета к оптимизации функций. В этом случае - производительность нейронной сети (которую можно легко измерить), прим. к своей архитектуре (которую вы изменяете во время эволюции).

Укрепление обучения - это агенты, обучающие политики, чтобы вести себя хорошо в окружающей среде. Таким образом, они решают другую, более сложную задачу. В теории вы могли бы изучить NEAT с использованием RL, поскольку вы могли бы поставить проблему «с учетом нейронной сети как состояния, научиться ее модифицировать с течением времени, чтобы получить лучшую производительность». Важнейшим отличием будет - выход NEAT - это сеть, выход RL - политика , стратегия, алгоритм. Что-то, что можно использовать несколько раз, чтобы работать в какой-то среде, предпринимать действия и получать награды.