标签
COBRA-Skills 提出了一种通过上下文赌博机和进化算子优化智能体技能的方法，在多个 AI 智能体基准测试中实现了 55-58% 的优化成本降低。
本文介绍了深度学习中的高元张量操作，对训练神经网络中的高元现象进行了实证研究，提出了神经网络的超图推广，并探讨了与进化算法的联系。
本文介绍了‘Flawed in Nature, Perfect through Evolution’，这是一种机制，其中一群变异的AI模型在变化环境中集体提升性能，通过定理证明并在合成任务上验证。
EvoFlint引入了一种用于大语言模型多轮红队测试的进化质量多样性搜索方法，旨在绘制漏洞图谱而非仅仅破坏模型，在各种大语言模型上实现了高攻击成功率。
ProofEvolve是一个神经符号框架，通过使用神经模型进化形式化验证的证明结构来增强自动定理证明，通过保留来自未完成尝试的验证知识，在Lean基准测试中实现高求解率。
py-evoFE是一个开源的Python库，它利用遗传算法来自动化并优化表格机器学习数据集的特征工程，具备scikit-learn兼容性，并采用Polars提升性能。
AI的奇点可能不是一场叛乱，而是一个通过经济与进化压力逐步优化、适应并最终变得不可或缺的过程，其结果是一个人类无法关闭的系统。
本文提出了CQD-ERL，一种面向热带商业建筑HVAC系统的情境化质量多样性进化强化学习控制器，并以ASHRAE指南36基线进行了评估。它通过安全屏蔽的多策略存档方法应对热带气候的独特挑战。
本文提出了一种混合嵌套搜索框架，在LLM驱动的进化优化中，将结构草图（由LLM生成）与数值参数优化（由CMA-ES等传统求解器完成）解耦，并在元优化、基于代码的策略和贝叶斯推断任务中进行了验证。
本文介绍了 ADSL-PDE，一种领域特定语言，为神经 PDE 求解器的自动设计提供结构化搜索空间，通过抽象底层实现细节来提高搜索效率和优化稳定性。基于该表示构建的进化代理在 PDE 基准测试的前十次迭代中实现了超过 52% 的性能提升。
本文介绍了一种预注册的筛选规则，可在实施前判断对神经网络参数进行进化外层循环是否值得构建，并通过两个案例验证，显示可节省大量GPU小时。
EvoOptiGraph是一个框架，用于从自然语言自动进行优化建模，使用基于图的进化生成来创建多样化的训练数据，并通过弱点驱动的强化学习共同进化模型，在多个基准测试上取得了最先进的结果。
介绍了AlgoEvolve，一个LLM驱动的进化框架，用于生成并迭代改进算法交易策略。该框架包含一个元进化外层循环，用于进化提示词以指导内层循环的合成。
作者询问机器学习社区中攻读进化算法博士学位的职业影响，讨论与更偏向机器学习的博士学位相比，这是否会限制机会。
APEX 引入了一种用于自动提示优化的动态数据选择策略，将数据集分层划分为简单、困难和混合三个层级，以提高数据效率，在多个基准测试中相对于初始提示取得了显著的性能提升。
刻意进化（DE）是一个智能体框架，通过将候选生成与搜索控制解耦，并结合自适应算子、结构诊断工具和反思性记忆，显著提升了基于大语言模型的符号回归效果，仅需标准样本预算的40%即可取得更优结果。
本文探讨了三种新颖的程序化生成敌人形态（身体结构和碰撞信息）的方法，这些方法特别以玩家碰撞交互为条件。研究发现，所有方法均优于从机器人学领域改编的进化基线。
本文研究了LLM引导的进化搜索中的计算分配问题，识别了经验规律，并提出了BaSE——一种多臂老虎机算法，该算法在多个模型和任务上提高了平均适应度和可靠性。
本文使用大型视觉-语言模型复现了Picbreeder人类驱动的开放式图像演化过程，分析了差异，并探索了探索性噪声、行为多样性和记忆等因素。
本文分析了一种进化式混合LoRA架构，将其解构为路由、评估和生命周期组件。研究发现，路由重写推动了性能提升，而进化生命周期则对模型性能产生了净负面影响。