São Paulo — InkDesign News — O algoritmo NEAT (Neurovolution of Augmenting Topologies) revolucionou o campo do machine learning com sua proposta inovadora de evolução dinâmica de redes neurais. Ele não se limita apenas à evolução dos pesos, mas também otimiza a topologia da rede.
Arquitetura de modelo
O NEAT introduce a ideia de que as redes neurais podem se desenvolver a partir de uma estrutura simples, aumentando gradualmente sua complexidade ao longo de gerações. Ao contrário dos métodos tradicionais que evoluem apenas os pesos das conexões, o NEAT evolui a própria arquitetura, permitindo uma busca mais abrangente nas soluções possíveis. Essa técnica resolve problemas comuns em algoritmos de evolução genética, como a dificuldade de realizar crossover entre redes com diferentes topologias.
“O NEAT não apenas se concentra em encontrar soluções mais eficientes, mas também na forma como essas soluções são estruturadas.”
(“NEAT not only focuses on finding more efficient solutions but also on how those solutions are structured.”)— Kenneth O. Stanley, Pesquisador, Universidade do Texas em Austin
Treinamento e otimização
O processo de treinamento no NEAT segue uma série de passos: a população inicial é gerada aleatoriamente, cada indivíduo é avaliado com uma função de fitness, seguido pela seleção dos mais aptos para se tornarem os “pais” da próxima geração. A diversidade na população é mantida através da especiação, que agrupa indivíduos semelhantes e evita a competição entre topologias distintas, promovendo inovação.
Para calcular a fitness, utiliza-se a expressão do fenótipo, onde cada genoma se torna uma rede neural funcional, e a performance é medida em relação a padrões de dados específicos, como o problema XOR. O algoritmo continua a iterar até alcançar um nível de fitness desejado ou até um número pré-determinado de gerações.
Resultados e métricas
Os resultados do NEAT demonstram sua eficácia ao resolver problemas complexos que outros métodos tradicionais poderiam falhar. Em experiências práticas com o problema XOR, as redes evoluídas pelo NEAT demonstraram uma acurácia superior, alcançando uma avaliação de fitness próxima ao máximo em uma quantidade reduzida de gerações.
“Ao avaliar as redes, conseguimos ver a evolução da complexidade e eficiência das soluções geradas.”
(“In evaluating the networks, we could see the evolution of the complexity and efficiency of the generated solutions.”)— Risto Miikkulainen, Pesquisador, Universidade do Texas em Austin
O NEAT não só estabelece novas referências em algoritmos evolucionários, mas também abre portas para aplicações em diversas áreas, incluindo jogos, robótica e design de sistemas adaptativos. Os próximos passos incluem a adaptação deste algoritmo para problemas ainda mais complexos e variados, destacando seu potencial no avanço do deep learning.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
