Core Concepts
GENEエンコーディングを最適化し、新しい距離関数を発見することで、探索空間をより効果的に活用できることが示されました。
Abstract
進化戦略や遺伝プログラミングなどの手法を使用して、ニューラルネットワークの最適なパラメータを見つける研究が行われている。
GENEフレームワークは、ニューロン同士の座標から接続の重みを計算し、直接エンコードよりも効率的な探索空間を提供する。
メタ進化アプローチによってGENEエンコードを最適化し、新しい距離関数を見つけ出すことで、未知の問題でも優れた性能が得られることが示されている。
距離関数の最適化にはCartesian Genetic Programming(CGP)が使用され、解釈可能なグラフ形式で表現された新しい関数が発見された。
エンコードニューロンへの影響
直接エンコードではゲノムサイズが二次的に増加するが、GENEエンコードでは線形にスケールする。
GENEエンコードは手作りの距離関数に依存しており、メタ進化アプローチによって最適な距離関数が見つかった。
メタ進化プロセス
CGPアルゴリズムを使用して距離関数候補群を生成し評価される。
距離関数は訓練パフォーマンスと生成されたネットワーク特性に基づいて評価される。
最良の学習済み関数
学習済み距離関数は直接エンコードや既存の手作り距離関数よりも優れた結果を示す。
HALFCHEETAHやWALKER2Dなど複数の制御課題で学習済み距離関数が優れていることが確認されている。
メタ進化全体像
メタ進化プロセスは約635世代実行され、WALKER2Dでは安定した上昇傾向が観察されている。
学習済み距離関数は新しい課題でも汎用性があり、未知の問題にも適用可能であることが示唆されている。
Stats
GENEフレームワークではゲノムサイズが二次的に増加する問題点が指摘されています。
CGPアルゴリズムは距離関数候補群を生成・評価します。
Quotes
"Artificial Neural Networks (ANNs) are at the heart of modern deep learning systems."
"Using an EA to optimize the parameters of an ANN requires representing the network as a genome."