Slutgiltig version är ute: @YanboZhang3, @BeneHartl och @HananelHazan "Heuristiskt adaptiv diffusionsmodell evolutionär strategi" Sammanfattning: Diffusionsmodeller (DM) och evolutionära algoritmer (EA) delar en grundläggande generativ princip: iterativ förfining av slumpmässiga initiala fördelningar för att producera högkvalitativa lösningar. DMs försämrar och återställer data med hjälp av Gaussiskt brus, vilket möjliggör mångsidig generering, medan EAs optimerar numeriska parametrar genom biologiskt inspirerade heuristiker. Vår forskning integrerar dessa ramverk och använder djupinlärningsbaserade DM:er för att förbättra EA:er inom olika områden. Genom att iterativt förfina DM:er med heuristiskt kurerade databaser genererar vi bättre anpassade avkommaparametrar, vilket uppnår effektiv konvergens mot högkvalitativa lösningar samtidigt som utforskande mångfald bevaras. DMs kompletterar EAs med djupminne, behåller historisk data och utnyttjar subtila korrelationer för förfinad urval. Klassificeringsfri vägledning möjliggör dessutom exakt kontroll över evolutionära dynamiker, med fokus på specifika genotypiska, fenotypiska eller populationsegenskaper. Denna hybrida metod omvandlar EAs till adaptiva, minnesförstärkta ramverk, som erbjuder en aldrig tidigare skådad flexibilitet och precision i evolutionär optimering, med breda implikationer för generativ modellering och heuristisk sökning.