Um editor de genes treinado: um modelo consegue mutar o NEAT melhor que o acaso?
Testa se um avaliador treinado supera mutações aleatórias do NEAT, com seeds novas e um protocolo fixado antes da primeira execução.
Notas de laboratório com a tag “Aprendizado por reforço”
Notas de laboratório sobre “Aprendizado por reforço”.
Um genoma deve guardar o que sua rede aprendeu? Três formas de combinar gradientes e evolução
Três treinadores híbridos vão comparar se a evolução deve descartar pesos aprendidos, herdá-los ou reunir experiências em um só aprendiz.
Aprendendo a ler o nível: substituindo saltos de sorte por um gradiente de política
Um campeão fracassou; agora o teste é saber se uma política lê níveis inéditos do Skyline Run em vez de repetir uma rota de sorte.
Distritos procedurais: fazendo o Skyline Run testar a política, não a rota
Um gerador medido cria distritos vencíveis, separa níveis de treino e validação e deixa a memorização da rota visível.
Um jogo determinístico consegue ensinar uma rede a correr pelos telhados?
Um motor determinístico vira um laboratório de IA no navegador — e a medição flagra o ambiente mudar antes do treino.
Ensinando o treinador: evoluir a recompensa em vez de ajustá-la à mão
Recompensas melhores, sem ajuste manual: AutoRL busca configurações; PBT, treinamento baseado em população, copia e perturba as melhores execuções.
A armadilha da memorização: quando um campeão aprendeu um único distrito
O laboratório de IA renovado aprendeu sob orçamento fixo, mas 0/630 conclusões em mundos gerados mostram que ainda não houve generalização.