Glossario IA
Il dizionario completo dell'Intelligenza Artificiale
Neuro-évolution
Discipline de l'intelligence artificielle appliquant les algorithmes évolutionnaires pour optimiser les réseaux de neurones, incluant leur architecture, poids et paramètres d'apprentissage.
NEAT (NeuroEvolution of Augmenting Topologies)
Algorithme de neuro-évolution qui évolue simultanément les poids et la topologie des réseaux de neurones en partant de structures minimales et en les complexifiant progressivement.
HyperNEAT
Extension de NEAT utilisant des réseaux de neurones génératifs (CPPN) pour créer indirectement des architectures neuronales à grande échelle avec des motifs de connectivité réguliers.
TWEANN
Classe d'algorithmes de neuro-évolution évoluant simultanément la topologie et les poids des réseaux de neurones, incluant NEAT et ses variantes.
CMA-ES pour réseaux de neurones
Application de la stratégie d'évolution par adaptation de matrice de covariance pour optimiser les poids et hyperparamètres des réseaux de neurones de manière adaptative.
Coévolution neuronale
Processus évolutionnaire où plusieurs populations de réseaux de neurones évoluent simultanément en interaction, souvent utilisée pour l'apprentissage par renforcement multi-agents.
Évolution différentielle neuronale
Méthode d'optimisation stochastique appliquée aux réseaux de neurones utilisant des vecteurs de différences pour explorer l'espace des poids et architectures.
Encodage direct
Représentation génétique où chaque gène correspond directement à un paramètre spécifique du réseau neuronal (poids, biais, connexions), offrant un contrôle précis mais limité en évolutivité.
Encodage indirect
Approche où le génome code des règles ou motifs génératifs qui construisent le réseau neuronal, permettant la création de structures à grande échelle avec compacité génétique.
Spéciation neuronale
Mécanisme regroupant les réseaux de neurones similaires en espèces distinctes pour préserver la diversité structurelle et éviter la convergence prématurée vers des solutions sous-optimales.
Complexification graduelle
Principe évolutionnaire où les réseaux de neurones commencent simples et augmentent progressivement en complexité, favorisant des solutions minimales efficaces.
Fitness sharing neuronal
Technique de préservation de diversité ajustant la fitness des individus en fonction de leur similarité avec d'autres réseaux de neurones dans la population.
Évolution multi-objective neuronale
Optimisation simultanée de plusieurs objectifs contradictoires pour les réseaux de neurones (performance, complexité, robustesse) utilisant des algorithmes comme NSGA-II.
CPPN (Compositional Pattern-Producing Networks)
Réseaux de neurones utilisés comme génomes dans HyperNEAT pour générer des motifs géométriques et des connectivités neuronales avec des fonctions d'activation variées.
Évolution d'architecture neuronale
Processus automatisé découvrant des architectures optimales de réseaux de neurones par recherche évolutionnaire, alternative aux approches manuelles et NAS différentiables.
Mutation topologique
Opérateur génétique modifiant la structure du réseau neuronal en ajoutant/supprimant des neurones ou des connexions, explorant ainsi de nouvelles topologies.
Croisement neuronal
Opérateur génétique combinant les architectures et poids de deux réseaux parents pour créer des réseaux descendants avec des caractéristiques héritées.
Évolution épigénétique neuronale
Approche où le phénotype neuronal peut changer au-delà du génome de base, permettant une plasticité adaptative pendant l'évolution des réseaux.