项目主页:GitHub.
在过去的几年里，增加加工能力计算机器的发展导致了机器学习的进步。越来越多的算法利用并行性，依赖分布式训练来处理大量的数据......
杰夫Clune
Jeff Clune是Wyoming大学计算机科学中的前大Loy和伊甸园议员副教授，高级研究经理和Uber Ai Labs的高级研究经理，目前在Openai的研究团队领导者。雷竞技是骗人的杰夫通过深入学习和深度加固学习侧重于机器人和培训神经网络。他还利用演化的计算模型研雷竞技是骗人的究了进化生物学的开放性问题，包括研究模块化，等级和再生性的进化起源。在成为一名教授之前，他是康奈尔大学的研究科学家，在密歇根州立大学获得了计算机科学雷竞技是骗人的的博士学位，并在密歇根州立大学获得了哲学的哲学，并在密歇根大学获得了哲学的巴。有关Jeff的研究可以在JeffCl雷竞技是骗人的une.com找到更多关于Jeff的研究
工程博客文章雷竞技到底好不好用
增强的诗人：通过无限的发明来学习挑战和解决方案的开放式加强学习
Jeff Clune和Kenneth Stanley在这项工作中是联合高级作者我们的相关研究论文雷竞技是骗人的。
机器学习（ml）力量许多技术和服务这是UntPin的平台，我们投资于推进基本的ML研究和与之参与雷竞技是骗人的......
第一次Uber科学研讨会:讨论下一代的RL、NLP、ConvAI和DL
在Uber，数百个数据科学家，经济学家，AI研究人员和工程师，产品分析师，行为科学家和其他从业者利用科学方雷竞技是骗人的法来解决我们平台上的挑战。从建模与实验到数据分析，算法开发和基础研究，雷竞技是骗人的......
创造大量雅达利游戏代理来促进对深度强化学习的理解
这项研究得雷竞技是骗人的到了谷歌Brain和OpenAI合作伙伴的宝贵帮助。
一群训练有素的特工聚集在雅达利动物园里。
AI最近的一些最令人兴奋的进步来自于深度加固领域......
诗人:不断产生越来越复杂和多样化的学习环境和他们的解决方案通过配对的开放式开拓者
杰夫·克伦和肯尼斯·o·斯坦利文章的第二作者。
我们感兴趣开放式结束在优步人工智能实验室(Uber AI Labs)，因为它提供了一种完全靠自己创造多样化、不断扩大的机器学习课程的潜力。有大量......
Go-Explore解决了Montezuma的复仇，Go-Explore是一种新的算法，用于解决困难的探索问题(在Pitfall上也有记录)
Kenneth O. Stanley和Jeff Clune是文章的第二作者。
在深增强学习（RL）中，解决Atari Games蒙特祖玛的复仇和陷阱一直是一个大挑战。这些游戏代表着广泛的挑战性，现实世界问题......
加速深神经发展：在单个个人电脑上用几个小时列车Atari
我们最近出版的一篇文章在深神经发展中宣布五篇论文包括发现遗传算法可以解决深增强学习问题以及流行的替代品，如深Q学习和政策梯度。这项工作遵循......
vine：神经系的开源交互式数据可视化工具
在优步的规模下，机器学习方面的进步可以显著增强技术，为更安全、更可靠的交通解决方案提供动力。优步人工智能实验室最近宣布的一项进步是D.燃灯neuroevolution其中进化算法，如进化策略......
欢迎深度神经进化的时代
肯尼斯·o·斯坦利，杰夫·克伦著
代表优步人工智能实验室团队的还有Joel Lehman、Jay Chen、Edoardo Conti、Vashisht Madhavan、Felipe Petroski Such和Xingwen Zhang。
在深度学习领域，深度神经网络......
雷竞技是骗人的调查报告
Evolvenesity es：可扩展和直接优化的进化性
A. Gajewski.那Clune j .那k·o·斯坦利那j·雷曼
设计能够发现高度演化表示的进化算法是一个开放的挑战;这种可进化性很重要，因为它加速了进化，使我们能够快速适应不断变化的环境。本文介绍了可演化性ES，一种为可演化性即进一步适应能力而设计的明确而有效的优化进化算法。[...][PDF]
遗传与进化计算会议(Gecco.），2019年
设计能够发现高度演化表示的进化算法是一个开放的挑战;这种可进化性很重要，因为它加速了进化，使我们能够快速适应不断变化的环境。本文介绍了可演化性ES，一种为可演化性即进一步适应能力而设计的明确而有效的优化进化算法。[...][PDF]
遗传与进化计算会议(Gecco.），2019年
通过功能可视化了解神经网络：调查
A. Nguyen.那J. Yosinski.那Clune j .
神经科学的一种理解大脑的方法是找到并研究能够高度激活单个细胞或细胞群的首选刺激。机器学习的最新进展使一系列方法能够合成优先刺激，使人工或生物大脑中的神经元产生强烈的刺激。[...][PDF]
可解释AI:口译、解释和可视化深度学习, 2019年
神经科学的一种理解大脑的方法是找到并研究能够高度激活单个细胞或细胞群的首选刺激。机器学习的最新进展使一系列方法能够合成优先刺激，使人工或生物大脑中的神经元产生强烈的刺激。[...][PDF]
可解释AI:口译、解释和可视化深度学习, 2019年
Backprapamine：培训具有可分离的神经统计可塑性的自我修饰神经网络
T. Miconi.那答:拉瓦尔大声回答那Clune j .那k·斯坦利
强化学习的一大挑战是智能探索，特别是当奖励很少或具有欺骗性的时候。有两款雅达利游戏作为这类艰难探索领域的基准:《Montezuma’s Revenge》和《Pitfall》。在这两款游戏中，当前的RL算法表现不佳，即使是那些具有内在动机的游戏也不例外，内在动机是提高艰难探索领域性能的主要方法。为了解决这个不足，我们引入了一个新的算法，叫做Go-Explore。[...][PDF]
国际学习陈述会议（ICLR）, 2019年
强化学习的一大挑战是智能探索，特别是当奖励很少或具有欺骗性的时候。有两款雅达利游戏作为这类艰难探索领域的基准:《Montezuma’s Revenge》和《Pitfall》。在这两款游戏中，当前的RL算法表现不佳，即使是那些具有内在动机的游戏也不例外，内在动机是提高艰难探索领域性能的主要方法。为了解决这个不足，我们引入了一个新的算法，叫做Go-Explore。[...][PDF]
国际学习陈述会议（ICLR）, 2019年
用组合多目标进化算法通过多个台阶进化多模态机器人行为
J. Huizationa.那Clune j .
强化学习(包括进化机器人)的一个重要挑战是解决多模态问题，在这些问题中，智能体必须根据不同的环境以不同的方式行动。由于多模态问题往往很难直接解决，利用分段处理的优势是有帮助的，在分段处理中，一个困难的任务被分成更简单的子任务，可以作为解决整体问题的垫脚石。[...][PDF]
2017年
强化学习(包括进化机器人)的一个重要挑战是解决多模态问题，在这些问题中，智能体必须根据不同的环境以不同的方式行动。由于多模态问题往往很难直接解决，利用分段处理的优势是有帮助的，在分段处理中，一个困难的任务被分成更简单的子任务，可以作为解决整体问题的垫脚石。[...][PDF]
2017年
可微塑性:用反向传播训练塑性神经网络
T. Miconi.那Clune j .那k·斯坦利
我们如何才能构建出在最初的培训之后，能够从经验中快速而有效地学习的代理?在这里，我们从生物大脑的主要学习机制中获得灵感:突触可塑性，通过进化精心调整，产生高效的终身学习。我们证明了塑性，就像连接权值一样，可以通过带有Hebbian塑料连接的大型(数百万参数)循环网络中的梯度下降来优化。[...][PDF]
机器学习国际会议(ICML),2018年
我们如何才能构建出在最初的培训之后，能够从经验中快速而有效地学习的代理?在这里，我们从生物大脑的主要学习机制中获得灵感:突触可塑性，通过进化精心调整，产生高效的终身学习。我们证明了塑性，就像连接权值一样，可以通过带有Hebbian塑料连接的大型(数百万参数)循环网络中的梯度下降来优化。[...][PDF]
机器学习国际会议(ICML),2018年
《数字进化的惊人创造力:来自进化计算和人工生命研究社区的奇闻轶事集》雷竞技是骗人的
j·雷曼那Clune j .，D. Misevic，C.Adami，L.Altenberg，J.Beaulieu，P. Benulley，S. Bernard，G.Beslon，D. Bryson，P.Charabaszcz，N. Cheney，A. Cully，S. Doncieux，S. Doncieux，S. Doncieux，S. Doncieux，S. Doncieux，S. Doncieux，S. Doncieux，S. Doncieux，F。Dyer，K.Ellefsen，R.Feldt，S.Fischer，S. Forrest，A.Frénoy，C.Gagné，L. Goff，L.Grabowski，B. Hodjat，F. Hutch，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C. Keller，C.凯勒那P. Krcah, R. Lenski, H. Lipson, R. MacCurdy, C. Maestre, R. Miikkulainen, S. Mitri, D. Moriarty, J. Mouret, A. Nguyen, C. Ofria, M. Parizeau, D. Parsons, R. Pennock, W. Punch, T. Ray, M. Schoenauer, E. Shulte, K. Sims,k·斯坦利F.塔代伊，D.塔拉波，S.蒂鲍尔特，W.魏默，R.沃森，J. Yosinski.
生物进化为复杂和微妙的适应提供了一种创造性的辉煌，经常令人惊讶的是发现它们的科学家。然而，因为进化是一种超越其发生的基材的算法过程，所以进化的创造力不限于自然。[...][PDF]
2018年
生物进化为复杂和微妙的适应提供了一种创造性的辉煌，经常令人惊讶的是发现它们的科学家。然而，因为进化是一种超越其发生的基材的算法过程，所以进化的创造力不限于自然。[...][PDF]
2018年
即插即用生成网络：在潜在空间中的图像迭代生成
a .阮Clune j .、本吉奥、多索维茨基、J. Yosinski.
生成高分辨率、逼真的图像一直是机器学习的一个长期目标。最近，Nguyen等人(2016)展示了一种有趣的方法，通过在生成器网络的潜在空间中执行梯度上升，以最大化单独分类器网络中的一个或多个神经元的激活，来合成新图像。在本文中,我们扩展这种方法通过引入额外的代码之前,提高样品质量和样本的多样性,导致了一个先进的生成模型,产生高质量的图像在更高的分辨率(227 x227)比先前的生成模型,并对于所有1000 ImageNet类别。[...][PDF]
计算机视觉和模式识别(CVPR), 2017年
生成高分辨率、逼真的图像一直是机器学习的一个长期目标。最近，Nguyen等人(2016)展示了一种有趣的方法，通过在生成器网络的潜在空间中执行梯度上升，以最大化单独分类器网络中的一个或多个神经元的激活，来合成新图像。在本文中,我们扩展这种方法通过引入额外的代码之前,提高样品质量和样本的多样性,导致了一个先进的生成模型,产生高质量的图像在更高的分辨率(227 x227)比先前的生成模型,并对于所有1000 ImageNet类别。[...][PDF]
计算机视觉和模式识别(CVPR), 2017年
