根据复杂性添加层的神经网络架构？
Neural Network Architectures that add layers based on complexity?
我正在搜索根据需要或 complexity/variability 训练数据增长的神经网络架构的现有工作。我发现的一些架构包括自组织地图和不断增长的神经气体。只有这些吗？
我正在寻找的东西最好用一个简单的场景来说明；
如果训练数据只有几个模式，那么神经网络将有 2-3 层深，每层都有一小组节点。如果训练数据更复杂，那么我们会看到更深的网络。
这样的工作在 AI 文献中似乎很少见或没有。是因为性能比较弱？如果有任何指导，我将不胜感激。
这方面的一个例子叫做神经进化。你可以做的是将反向传播与进化结合起来，为你的数据集找到最佳结构。 Neataptic 是提供神经进化的神经网络库之一。通过一些简单的编码，您可以将其转化为反向传播 + 进化。
这样做的缺点是它需要更多的计算能力，因为它需要一个遗传算法来 运行 整个种群。所以使用神经进化确实使性能相对较弱。
不过，我认为还有更多技术可以禁用某些节点，如果对输出没有负面影响，它们将被删除。不过我不确定。
我正在搜索根据需要或 complexity/variability 训练数据增长的神经网络架构的现有工作。我发现的一些架构包括自组织地图和不断增长的神经气体。只有这些吗？
我正在寻找的东西最好用一个简单的场景来说明； 如果训练数据只有几个模式，那么神经网络将有 2-3 层深，每层都有一小组节点。如果训练数据更复杂，那么我们会看到更深的网络。
这样的工作在 AI 文献中似乎很少见或没有。是因为性能比较弱？如果有任何指导，我将不胜感激。
这方面的一个例子叫做神经进化。你可以做的是将反向传播与进化结合起来，为你的数据集找到最佳结构。 Neataptic 是提供神经进化的神经网络库之一。通过一些简单的编码，您可以将其转化为反向传播 + 进化。
这样做的缺点是它需要更多的计算能力，因为它需要一个遗传算法来 运行 整个种群。所以使用神经进化确实使性能相对较弱。
不过，我认为还有更多技术可以禁用某些节点，如果对输出没有负面影响，它们将被删除。不过我不确定。