HyperNEAT - разница между функциями активации субстрата и функциями активации CPPN

#machine-learning #neural-network #artificial-intelligence #es-hyperneat

#машинное обучение #нейронная сеть #искусственный интеллект #es-hyperneat

Вопрос:

Я возился с HyperNEAT и столкнулся с небольшой проблемой. Насколько я понимаю, субстрат — это начальная компоновка узлов, которые впоследствии используются для запроса CPPN для предоставления весов соединений. Я понимаю, что функции активации CPPN — это просто набор функций активации, которые могут появляться в каждом узле CPPN, но к чему относятся функции активации субстрата? У меня сложилось впечатление, что субстрат — это не обязательно сеть, а просто макет, используемый для включения геометрии задачи в возможности CPPN по созданию шаблонов. Итак, где появляются функции активации субстрата?

РЕДАКТИРОВАТЬ: я использую UnityNEAT, который является портом SharpNEAT для Unity.

Спасибо

1. Ваш вопрос неясен: используете ли вы интерфейс Brain computer из проекта second soldier ?

2. Почему это имеет значение? Мой вопрос касается исключительно теории, лежащей в основе HyperNEAT.

3. Я предполагаю, что ваш вопрос связан с искусственным интеллектом и подразумевает, что HyperNEAT — это инструмент для машинного обучения. Это не единственная причина, по которой был разработан HyperNEAT. Другой вариант не имеет ничего общего с обычной игрой, он больше относится к проекту человеческого мозга.

Ответ №1:

Насколько я понимаю, подложка — это сеть, непосредственно применяемая к задаче. CPPN используется для вычисления весов связей между нейронами в субстрате. Таким образом, когда вы вводите в субстрат свои входные данные, каждый узел субстрата вычисляет выходные данные в зависимости от своей функции активации (как в традиционных сетях).

Итак, выходной слой субстрата (то есть результат вашей задачи) будет функцией значения каждого нейрона в субстрате и каждого соединения в субстрате (вес которого обеспечивается CPPN).

Ответ №2:

HyperNEAT — это в первую очередь инструмент для медицинских приложений. Типичной настройкой является использование гарнитуры EPOC (то есть аппаратного обеспечения для обнаружения волн ЭЭГ от мозга) вместе с программным анализатором качества сигнала Emokit с открытым исходным кодом и визуализатором данных для Emotiv EPOC. В приведенной выше статье для анализа сигналов используется только быстрое преобразование Фурье, и здесь в игру вступает HyperNEAT. HyperNEAT можно обучить таким образом, чтобы он мог лучше интерпретировать сигналы ЭЭГ. Распознавание эмоций на ЭЭГ Подмодуль CPPN предназначен для преобразования мозговых волн в визуальные привлекательные шаблоны Эволюция объектов, пригодных для 3D-печати, без помощи рук с помощью отслеживания глаз