Перейти к содержанию

CNN-NEAT: Свёрточная Нейроэволюция Топологий

Научно-исследовательская работа

«Гибридный метод автоматического поиска архитектур свёрточных нейронных сетей на основе нейроэволюции, градиентного бустинга и ансамблевого дообучения (CNN-NEAT + GBM)»

Автор: Городецкий М. А.   Научный руководитель: Афанасьев М. А.   2026

Библиотека эволюционного поиска архитектур свёрточных нейронных сетей (NAS) в парадигме NEAT (NeuroEvolution of Augmenting Topologies). Каждое ребро ориентированного ациклического графа (DAG) — операция Conv2d; топология и веса эволюционируют совместно.

Версия: 0.1.0   Python: ≥ 3.10   PyTorch: ≥ 2.0   CUDA: 12.x

Ключевые слова

нейроэволюция, поиск архитектур нейронных сетей, NEAT, свёрточные нейронные сети, CIFAR-10, ориентированный ациклический граф, градиентный бустинг, XGBoost, LightGBM, ансамблевое обучение, ResNet, дообучение, многоклассовая классификация изображений, PyTorch

Быстрая навигация

Позиционирование

Метод Стратегия Пространство GPU
CNN-NEAT Нейроэволюция (NEAT) DAG свёрток Адаптивная (VRAM)
DARTS Дифф. релаксация Ячейки Высокая
ENAS RL + weight sharing Ячейки Высокая
AmoebaNet Регуляризованная эволюция Ячейки Средняя

Сборка документации

pip install -e ".[docs]"
python docs/build_mkdocs_site.py
# Результат: ./site/index.html