Generating neural architectures from parameter spaces for multi-agent reinforcement learning

We explore a data-driven approach to generating neural network parameters to determine whether generative models can capture the underlying distribution of a collection of neural network checkpoints. We compile a dataset of checkpoints from neural networks trained within the multi-agent reinforcemen...

Celý popis

Podrobná bibliografie

Vydáno v:	Pattern recognition letters Ročník 185; s. 272 - 278
Hlavní autoři:	Artaud, Corentin, De-Silva, Varuna, Pina, Rafael, Shi, Xiyu
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Elsevier B.V 01.09.2024
Témata:	Generative models Multi-agent reinforcement learning Neural networks Parameter generation Transformers Multi-agent reinforcement learning Transformers Parameter generation Generative models Neural networks
ISSN:	0167-8655
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!