تعتبر نماذج Neuroevolution of Augmenting Topologies (NEAT) والنسخة المتقدمة منها Evolvable-Substrate HyperNEAT (ES-HyperNEAT) من الأدوات الفعالة في تطوير الشبكات العصبية، ولكن نجاحها يعتمد بشكل كبير على اختيار المعايير المثلى (hyperparameters). في دراستنا الحالية، حللنا الطرق المتبعة في تحسين هذه المعايير باستخدام Tree-structured Parzen Estimator (TPE) على مهمات تصنيف البيانات مثل MNIST.

لقد قمنا باستكشاف حيز بحث يتضمن أكثر من 3 مليارات تركيبة ممكنة من المعايير. وأظهرت النتائج أن TPE كان قادرًا على التنقل بشكل فعال وسط هذا الحيز الشاسع، متفوقًا بشكل ملحوظ على البحث العشوائي من حيث الدقة المتوسطة، الوسيط، وأفضل النتائج.

خلال عملية التحقق، حقق أفضل تكوين للمعايير المكتشفة بواسطة TPE دقة بلغت 29.00% على مجموعة بيانات MNIST، متفوقاً على الدراسات السابقة رغم استخدام عدد أقل من الأفراد والأجيال. كما قمنا باستكشاف قابلية نقل المعايير المحسّنة إلى مهام مختلفة، مثل عمليات المنطق وFashion-MNIST، حيث أظهر النظام نجاحًا أكبر في المسائل الأكثر تعقيداً مقارنةً بالعمليات المنطقية البسيطة. تؤكد هذه الدراسة على نهج يفتح الآفاق لتحقيق الإمكانات الكاملة للخوارزميات التطورية العصبية، كما تعطي لمحات حول كيفية انتقال المعايير عبر مهام ذات مستويات تعقيد مختلفة.