4
내가 아는 한 NEAT (신경 증식 토폴로지)는 진화의 개념을 사용하여 신경망을 학습하는 알고리즘입니다. 다른 한편, 보강 학습은보다 성공적인 노드에 "보람"을주는 개념으로 기계 학습의 한 유형입니다.NEAT vs Reinforcement Learning
두 필드의 차이점은 무엇입니까? 아니면 NEAT가 강화 학습에서 파생 되었습니까?
A
답변
5
요컨대 그들은 거의 공통점이 없습니다.
NEAT는 진화 방법이다. 이것은 기능 최적화에 대한 블랙 박스 접근법입니다. 이 경우 - 쉽게 측정 할 수있는 신경망의 성능. (진화하는 동안 당신이 바꾸는) 아키텍처로.
강화 학습은 에이전트가 환경에서 잘 작동하는 학습 정책에 관한 것입니다. 따라서 그들은 다른, 더 복잡한 문제를 해결합니다. 이론적으로 당신은 RL을 사용하여 NEAT를 배울 수 있습니다. "신경망을 주면 시간이 지남에 따라 더 나은 성능을 얻는 방법을 배웁니다"라는 문제를 제기 할 수 있습니다. 결정적인 차이점은 - NEAT 출력은 네트워크, RL 출력은 정책, 전략, 알고리즘입니다. 어떤 환경에서 일하기 위해 여러 번 사용할 수있는 뭔가가 행동을 취하고 보상을 얻습니다.
관련 문제
- 1. Pybrain reinforcement learning; 차원의 차원
- 2. Bourbon/Neat VS 2017 예기치 않은 문자 순서
- 3. 여러 출력을 가진 NEAT
- 4. ASP.Net Learning
- 5. Hebbian learning
- 6. Learning Java
- 7. learning getjson
- 8. NeuroEvolution : NEAT 알고리즘 혁신 번호
- 9. NEAT-Python이 Visualize.py를 찾지 못했습니다.
- 10. Python - machine learning
- 11. Java - Learning Order
- 12. Learning Bash - 파일 구성
- 13. Learning/Revising Java
- 14. Javascript learning classes questions
- 15. SQL LEARNING/MAX Understanging
- 16. fslex learning : Lexer advanceing
- 17. Learning Map/Syllabus Visualization
- 18. Learning Python : 임포트가 존재합니다.
- 19. Machine learning 및 Security
- 20. mySQL fulltext learning
- 21. Azure Machine Learning - CORS
- 22. Adaline Learning Algorithm
- 23. spa on VS2013 learning
- 24. Learning Java Generics
- 25. Learning Angularjs 2
- 26. 시냅틱/Neataptic 간단한 NEAT XOR 솔루션
- 27. Bourbon/Neat Grid 2.0 시프트 문제
- 28. Bourbon, Bitters, Neat, Bower와 리필 사용
- 29. Learning C : 비디오 강좌의 수강
- 30. Azure Machine Learning Experiment Creation
두 접근법은 매우 다르며 일반적으로 다른 상황에서 사용됩니다. 그러나 강화 학습이 반드시 더 복잡한 "문제를 해결하는 것은 아닙니다 (예 : https://arxiv.org/pdf/1703.03864.pdf 참조) – Pablo