我已经阅读了大量关于特定输出值的神经网络，但我没有看到无监督网络针对不太具体的目标进行优化（例如最小化成本，但我们不知道理想值是什么样的）。
让我们讨论一个具体的例子：
鉴于Travelling salesman problem有轻微的转折：
有人可以提供可以解决此问题的高级设计吗？我正在寻找类似于https://stackoverflow.com/a/42516959/14731的内容。
我担心尝试将成本函数相对于零目标成本最小化，因为下降梯度将远远高于理想解决方案已知的下降梯度。
答案 0 :(得分：1)
从您使用的单词和您提供的参考文献中，您似乎在考虑深度学习和反向传播，但我建议您考虑使用神经进化。
简而言之，神经进化在连续迭代中创建了候选解决方案池。它只要求您可以根据他们的前景或成功程度对候选人进行排序。在您的旅行推销员问题中，我们知道更少的时间更好，因此可以轻松地对候选人进行排序。然后创建新一代的候选人，将旧的候选人作为父母，在你的名单中较高的父母将有更大的机会产生后代。
NEAT是一种常见的算法，并且有许多语言的版本。
对于更多欺骗性问题，novelty search是个好主意。
需要明确的是：neuroevolution不使用反向传播，但确实使用神经网络。找到适合给定任务的神经网络是一种不同的方法。
答案 1 :(得分：-1)
嗯，近年来人工神经网络收到了一个确实不合理的大规模“人气”。今天，如果一些新的产品/流程/创业公司声称没有人工智能或至少有一个神经网络背后，它在流行媒体的流动中有点气味。现实是另一回事。
经典人工神经网络只不过是一个最小化驱动工具，它本身就没有真正的智能，它只遵循tanh() / sigmoid()剂量的“类固醇”的线性代数规则，用于附加的非线性变换。
外部的自适应反映（递延的事后奖励）需要一种方法来执行网络权重的自我实现。这是Genetically Inspired Systems（Koza等人）在进化计算系统中推广了几十年的事情。
然而，人们已经认识到一些温和的尝试，最近在人工神经网络中促进某种微不足道的自我实现，增加了一个预期的（更好的“预先连线”，c / f基因启发系统推测多态性多个试验与前-post阶段的选择，由“预定义的最佳拟合度”驱动，不仅重新安排它自己的轴突重量，而且还重新安排它自己的拓扑结构 - 重新连接神经连接（当然，在更低的路上级别/方式更弱实用 - （非）相关的自我实现 - 参考，在更高的抽象层次上，马斯洛提升了需求层次。）
在这个领域经过几十年之后，我敢说，人工智能工具（用“深度”标签来美化它们（增加可能内部状态的“表现力”）（一旦合理可计算出来） [PTIME,PSPACE]-约束系统），而不是任何主要的新概念属性或“卷积”（核心变换有意识地模糊细节，以便允许更好的数字（不是诺斯替）“泛化”）只是代数绑定作为一种装备精良的有限状态自动机的角色，为了找到最错误的答案，给出了[ penalty-function, so-far-visited-part-of-empiric-experience ] - 的串联-adjusted （调整）超过之前已知数量的已收集{ example: answer }对观察到的经验经验。
人工智能的答案可以说出一个最不正确的东西（通过愚蠢的“代数硬连线信念的推断”严格预期的那样，游戏的规则没有改变，以获得最小的伤害（从以前预先修复）收集经验）惩罚，基于之前的 [ penalty-function, so-far-visited-part-of-empirics ] ，但从不为什么，因此总是（不知情地，这不是借口，而是明确接受的事实，它不能在这个方向上的任何其他事情）“神秘”你用“答案”传递（在做代数固定最好的情况下）在这些变化或转换到另一种模式的情况下（参考。（超） - 混沌系统的Lyapunov系数，所有本质上复杂的系统是......）：
penalty-function 修改（最小化者的规则正在改变游戏！）experience （通过看到一系列“正在”漂移或 { example: answer } 对的全新“品种” （s））但是为了做到这一点，你处于最边缘，恕我直言，没有工具存在，所以你进入一个非常深的雪是第一个。
非常有趣，因为你定义了新规则，但也非常苛刻并且挑战了许多对手。
含义 - 你几乎无法使用任何“硬连线”-ANN工具包，所以确实是处女雪＆amp;面对你的巨大挑战，伙计。
我个人基于观点的猜测是，如果尝试使用某种预制的抽象 - [神经网络]组件工厂来增强高性能进化计算工具，并且如果您当前的研究项目预算和 [PTIME,PSPACE] - 计算结构的性能范围允许 - 可以享受适应能力的进化驱动增长的力量，这些能力在少数几个最佳的多样性中生存下来。强大>不断增长的人口中获得的“技术诀窍保持最佳（活着）”。
确实很有挑战性。
（尽管你会从自然之母那里作弊 - （我们还没有找到更好的学习和吸取教训的硕士，是吗？））