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......
肯尼斯·o·斯坦利
在加入优步AI实验室之前，Ken是佛罗里达州中部大学计算机科学副教授（他目前在休假）。他是NeuroVolution的领导者（将神经网络与进化技术相结合），在那里他帮助发明了突出的算法，如整洁，CPPN，超容易和新奇搜索。他的想法也通过最近的受欢迎的科学书达到了更广泛的受众，为什么无法计划伟大：目标的神话。
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......
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蒙特萨州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，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. Stanley那j·雷曼
设计能够揭示高度不断变化的表示的进化算法是一个开放的挑战;这种进化性很重要，因为它加速了演化并实现了快速适应改变的情况。本文介绍了一种进化性ES，这是一种旨在明确有效地优化进化的进化算法，即进一步适应的能力。[...][PDF]
遗传和进化计算会议（Gecco.），2019年
设计能够揭示高度不断变化的表示的进化算法是一个开放的挑战;这种进化性很重要，因为它加速了演化并实现了快速适应改变的情况。本文介绍了一种进化性ES，这是一种旨在明确有效地优化进化的进化算法，即进一步适应的能力。[...][PDF]
遗传和进化计算会议（Gecco.），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A. rawal.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
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]
国际机会学习会议(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]
国际机会学习会议(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
通过一群求新agent改进深度强化学习的进化策略探索
e .孔蒂诉Madhavan那f .这样那j·雷曼那K.斯坦利那Clune j .
Evolution strategies (ES) are a family of black-box optimization algorithms able to train deep neural networks roughly as well as Q-learning and policy gradient methods on challenging deep reinforcement learning (RL) problems, but are much faster (e.g. hours vs. days) because they parallelize better. [...][PDF]
守夜@ NeurIPS 2017（内潜藏），2017年
Evolution strategies (ES) are a family of black-box optimization algorithms able to train deep neural networks roughly as well as Q-learning and policy gradient methods on challenging deep reinforcement learning (RL) problems, but are much faster (e.g. hours vs. days) because they parallelize better. [...][PDF]
守夜@ NeurIPS 2017（内潜藏），2017年
