速報
Human‑Inspired GNP (HGNP):以兒童發展啟發的自適應圖形演化框架
近年代理式人工智慧逐漸採用圖形方法以提升可解釋性與非線性推理,基因網路程式設計(GNP)因需在探索與利用間取得平衡而面臨挑戰。研究以兒童成長時期的「廣泛實驗」與「後期深思」模式作為靈感,將 GNP 判斷節點映射為深思節點、處理節點映射為行動節點,提出 Human‑Inspired GNP(HGNP)框架。
速報
近年代理式人工智慧逐漸採用圖形方法以提升可解釋性與非線性推理,基因網路程式設計(GNP)因需在探索與利用間取得平衡而面臨挑戰。研究以兒童成長時期的「廣泛實驗」與「後期深思」模式作為靈感,將 GNP 判斷節點映射為深思節點、處理節點映射為行動節點,提出 Human‑Inspired GNP(HGNP)框架。
速報
自然語言自動化產生最佳化模型面臨訓練資料結構單一與資料生成與模型學習脫節兩大挑戰。研究提出 EvoOptiGraph,將混合整數線性規劃 (MILP) 以屬性雙部圖表示,利用保持有效性的演化算子產生結構多樣的實例,並透過確定性編譯與回譯驗證轉換成求解器程式碼與自然語言。