Lopullinen versio on julkaistu: @YanboZhang3, @BeneHartl ja @HananelHazan "Heuristisesti adaptiivisen diffuusiomallin evoluutiostrategia" Tiivistelmä: Diffuusiomallit (DM) ja evoluutioalgoritmit (EA) jakavat keskeisen generatiivisen periaatteen: satunnaisten alkujakaumien iteratiivinen tarkennus korkealaatuisten ratkaisujen tuottamiseksi. DM:t heikentävät ja palauttavat dataa Gaussin kohinan avulla, mahdollistaen monipuolisen generoinnin ja EA:t optimoivat numeeriset parametrit biologisesti inspiroitujen heuristiikoiden avulla. Tutkimuksemme yhdistää nämä viitekehykset, hyödyntäen syväoppimiseen perustuvia pelinjohtajia parantamaan EA:ita eri aloilla. Tarkentamalla DM:iä iteratiivisesti heuristisesti kuratoiduilla tietokannoilla tuotamme paremmin sopeutuneita jälkeläisparametreja, saavuttaen tehokkaan konvergenssin kohti korkeakuntoisia ratkaisuja säilyttäen samalla tutkivan monimuotoisuuden. DM:t täydentävät EA:ta syvällä muistilla, säilyttäen historialliset tiedot ja hyödyntäen hienovaraisia korrelaatioita tarkennetun näytteenoton saamiseksi. Luokittelijavapaa ohjaus mahdollistaa myös tarkan hallinnan evoluution dynamiikkaan, kohdistuen tiettyihin genotyyppisiin, fenotyyppisiin tai populaatiopiirteisiin. Tämä hybridilähestymistapa muuntaa EA:t adaptiivisiksi, muistia parannetuiksi kehyksiksi, tarjoten ennennäkemätöntä joustavuutta ja tarkkuutta evolutiivisessa optimoinnissa, ja sillä on laajoja vaikutuksia generatiiviseen mallinnukseen ja heuristiseen hakuun.