Evolvierte Entwicklungs-Künstliche Neuronale Netzwerke für Multitasking mit Erhöhter Aktivitätsabhängigkeit

Kürzlich wurde kartesisches genetisches Programmieren genutzt, um Entwicklungsprogramme zu entwickeln, die die Bildung von künstlichen neuronalen Netzwerken (ANNs) steuern. Dieser Ansatz hat sich als erfolgreich erwiesen, um ANNs mehrere Aufgaben ausführen zu lassen, während katastrophales Vergessen vermieden wird. Ein einzigartiger Aspekt dieses Ansatzes ist die Verwendung separater Entwicklungsprogramme, die entwickelt wurden, um die Entwicklung separater Soma- und Dendriteneinheiten zu regulieren. Eine Gelegenheit, die durch diesen Ansatz geboten wird, ist die Fähigkeit, Aktivitätsabhängigkeit (AD) in das Modell zu integrieren, so dass Umgebungsfeedback das Verhalten jeder Einheitstyp regulieren kann. Frühere Arbeiten haben gezeigt, dass eine eingeschränkte Version von AD (die den neuronalen Bias beeinflusst) marginale Verbesserungen gegenüber nicht-AD ANNs bietet. In dieser Arbeit präsentieren wir vielversprechende Ergebnisse aus neuen Erweiterungen der AD. Insbesondere zeigen wir eine signifikante Verbesserung durch AD auf neuen neuronalen Parametern, einschließlich Gesundheit und Position, sowie einer Kombination all dieser zusammen mit Bias. Wir berichten über die Implikationen dieser Arbeit und schlagen mehrere vielversprechende Richtungen für zukünftige Arbeiten vor.