進化計算に基づく強化学習は進化計算による柔軟なデザインを利用し、機械学習の最も一般的なパラダイムである強化学習に取り組みます。 SUNAは、提案されているほとんどのニューロンの機能を1つのUnified Neural Modelに統一することで、このデザインの柔軟性を限界まで引き上げました。 SUNAは自分の構造を進化させ、非マルコフ問題も学習できるシステムです。

Novelty-Organizing Team of Classifiers (NOTC)強化学習の二つのパラダイム (価値関数アプローチと直接方策探索)を始めて統一した強化学習手法です。 実際には, NOTCはSelf-Organizing Classifiersという新しい種類の機械学習アルゴリズムの一つです。 Self-Organizing Classifiersは状態が経験によって自動的に更新されるため、形の変わる迷路のように問題が変化しても適応することのできる最初の(もしかすると唯一の)アプローチです。

現在の学習システムをさらに改善するには、それらを理解する必要があります。 興味深いことに、学習システムを攻撃することで、学習システムが「馬」や「船」などの分類をどのように理解しているかを調べられます。 学習システムを攻撃することは学習システムの解析手法の一つといえます。 既にBCC Newsに記載された我々の研究では、分類を変更するために1ピクセルしか必要としないことが分かりました。 つまり、学習された「馬」や「船」のような概念は、1つのピクセルだけで変更することができます。 この結果は、このようなニューラルネットワークがデータセット上で人間を越える精度を持つとしても、実際に「馬」または「船」であると知的に理解していることから遠いことを実証しています。

SAN は、非常に単純な多目的最適化アルゴリズムです。 最も難しい多目的ベンチマークにおいて、すべてのアルゴリズムを上回っていました。 Vargasが導入した最適化力という概念のもとで分析した場合、 SANのパフォーマンスは、独立Subpopulationを使用することによって解候補の集団でおこる競争を回避できるために得られることが明らかになりました。 学習アルゴリズムとは、計算機を学習、適応させる最適化アルゴリズムに他なりません。 次世代の機械学習は、モデルと最適化の強力な相乗効果によって作られるでしょう。