文献

J-GLOBAL ID：202002264843403154   整理番号：20A1863582

出力勾配による深層およびリカレントニューラルネットワークのための安全な突然変異【JST・京大機械翻訳】

Safe mutations for deep and recurrent neural networks through output gradients

著者 (4件)： Lehman Joel (Uber AI Labs) ,  Chen Jay (Uber AI Labs) ,  Clune Jeff (Uber AI Labs) ,  Stanley Kenneth O. (Uber AI Labs)
資料名： ACM Proceedings  (ACM Proceedings)
号： GECCO ’18  ページ： 117-124  発行年： 2018年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 神経進化(進化ニューラルネットワーク)は,強化学習から人工生命までの様々なドメインにわたって成功しているが,進化的ロボット工学では,大規模で深いニューラルネットワークにはほとんど適用されていない。中心的理由は,ランダム突然変異が一般的に低次元で働くが,数千または百万の重みのランダム摂動は,既存の機能性を破るであろうということである。本論文では,ネットワーク挙動を劇的に変えずに,環境との付加的相互作用を必要とする,探索を容易にする安全な突然変異(SM)演算子のファミリーを提案する。最も効果的なSM変異体は,ネットワーク出力の重みに対する感度に従って,各個々の重みの突然変異の程度を,重みに対する出力の勾配(従来の深層学習のように誤差の勾配の代わりに)の計算を必要とする。勾配(SM-G)オペレータによるこの安全な突然変異は,単純な遺伝的アルゴリズムに基づく神経進化法の能力を劇的に増大して,処理生画素を必要とするドメインを含む,深いかつ/または再発性ニューラルネットワークを必要とする高次元ドメインにおける解を見つける。深い神経ネットワークを進化させる能力を改善することにより,この変異に対する新たな安全なアプローチは,神経進化に適したドメインの範囲を拡大する。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 相互作用 ,  オペレータ ,  *ネットワーク ,  *ニューラルネットワーク ,  *突然変異 ,  画素 ,  高次元 ,  摂動 ,  強化学習 ,  人工生命 ,  遺伝的アルゴリズム
準シソーラス用語： ロボット工学 ,  *リカレントニューラルネットワーク ,  神経ネットワーク ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 深層学習 ,  突然変異 ,  神経進化 ,  リカレントネットワーク

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (4件)： 勾配 ,  深層 ,  リカレントニューラルネットワーク ,  突然変異