NEAT versus Reinforcement Learning

Question

Soweit ich weiß, NEAT (Neuroevolution of Augmentting Topologies) ist ein Algorithmus, der das Konzept der Evolution verwendet, um ein neuronales Netzwerk zu trainieren. Auf der anderen Seite ist verstärkendes Lernen eine Art maschinelles Lernen mit dem Konzept, erfolgreichere Knoten zu "belohnen".

Was ist der Unterschied zwischen diesen beiden Feldern, da sie sich sehr ähnlich zu sein scheinen? Oder ist NEAT vom Verstärkungslernen abgeleitet?

Answer 1

Kurz gesagt haben sie kaum etwas gemeinsam.

NEAT ist eine evolutionäre Methode. Dies ist ein Black-Box-Ansatz zur Optimierung von Funktionen. In diesem Fall - Leistung des neuronalen Netzes (die leicht gemessen werden kann). zu seiner Architektur (die Sie während der Evolution verändern).

Verstärkung Lernen ist über Agenten, Lernrichtlinien, um sich in der Umwelt gut zu verhalten. So lösen sie ein anderes, komplexeres Problem. Theoretisch könnte man NEAT mit RL lernen, da man das Problem "ein neuronales Netzwerk als ein Zustand vorausgesetzt, lernen könnte, es im Laufe der Zeit zu modifizieren, um eine bessere Leistung zu erzielen" darstellen könnte. Der entscheidende Unterschied wird sein - NEAT-Ausgang ist ein Netzwerk, RL-Ausgang ist eine Politik, Strategie, Algorithmus. Etwas, das mehrmals verwendet werden kann, um in einer Umgebung zu arbeiten, Aktionen auszuführen und Belohnungen zu erhalten.